Decompose, Estimate, Select: Coverage-Aware Context Construction for Long-Form RAG
分解、估计、选择：面向长文本 RAG 的覆盖感知上下文构建
🧭 RAG 覆盖感知检索与自反馈生成 ★ 深度解读
New York University Shanghai · New York University
提出覆盖感知 RAG 流水线，通过子问题分解、覆盖矩阵估计和贪心选择提升证据覆盖，并发现检索覆盖提升未必带来答案覆盖提升
📌 工作参考价值（4 点）
- 覆盖感知选择层面：在长文本问答/报告生成场景，不要只用相关性排序，可将用户 query 拆成多个子问题，用 cross-encoder 预测文档×子问题覆盖矩阵，再贪心选择最大化覆盖。这种思路可直接迁移到商品详情页摘要、多属性商品推荐理由生成、广告文案多卖点覆盖等任务。
- 自反馈环节：发现检索到的证据覆盖率提高不一定带来答案覆盖提高，瓶颈在生成器的利用。可做“生成→自我 critique→指出未充分利用的文档→在同上下文二次生成”，不增加检索成本就能提升答案完整性。在电商场景可用“第一次生成标题，让模型指出漏掉的卖点，再基于同一商品描述重写”的迭代文案优化。
- 工程权衡：子问题分解用 GPT-4o 比开源 7B 只高 0.027 α-nDCG，成本可控。交叉编码器估计覆盖矩阵是关键瓶颈，估计不准导致性能损失大于子问题分解，建议投入更多数据训练 coverage estimator。
- 评估启示：用 α-nDCG、Vstrict 等覆盖指标区分冗余证据，比单纯 nDCG 更能反映长文本效果。若业务目标是多卖点覆盖（如商品标题需覆盖不同卖点），可引入类似 nugget 的原子事实评估，避免模型重复强调同一卖点。