你的检索管道从未衡量的中间上下文盲区

按位置计算的指标可以弥合这一差距。与其针对整个检索集计算召回率，不如将答案准确率计算为金标准分块在组合提示词中位置的函数。按金标准分块所属槽位（顶部、中间、底部）对提示词进行分组，并跟踪每个组的准确率。如果中间组的准确率比顶部和底部组低 12 个百分点，那么 U 形曲线就在你的流水线中发挥作用，而你的重排序器正在向模型提供它无法读取的槽位。

两项工具化工作可以降低实现成本。首先，提示词组装器必须记录最终提示词中每个分块的槽位索引（slot index），而不仅仅是分块 ID。其次，评估工具链必须将槽位索引连接回金标准标签位置，以便可以查询按位置查看的视图。没有槽位日志记录，你可以计算 retrieval@K，但无法计算 attended@K，由于设计原因，U 形曲线在你的仪表盘上是不可见的。

一旦有了这个指标，退化就很容易检测到。能够抚平 U 形曲线的模型升级，在按位置查看的视图中会得到认可，而综合准确率则会掩盖这一点。如果重排序器的更改将平均位置 1 的得分提高了 2 分，但导致金标准分块进入中间频带的频率增加了 8%，那么即使核心检索指标有所提高，这也会显示为净退化。

恢复信号的模式​

位置感知重排序（Position-aware reranking）。在组装提示词时，停止仅按检索评分对段落进行排序。一旦你从重排序器获得了前 K 个结果，就将得分最高的段落放在高注意力槽位——紧邻底部的用户问题，或者直接放在顶部的系统提示词之后。得分较低的段落填充中间位置。这是组装器中的一行代码更改，它将平淡的“按分数排序”转换为“按注意力加权的槽位优先级交叉排列”。它不需要重新训练，也不会改变检索协议。

保持中间频带简短的填充策略。盲区随着中间部分的长度而缩放。如果你的组合提示词是 30K 个标记，而答案在中间，那么你将面临一个巨大的盲区。将候选集从 20 个分块缩减到 8 个——并让重排序器承担精度损失——通常会提高答案质量，因为缩小的中间频带符合模型的注意力预算。检索团队的本能是扩大 K 以提高召回率。模型的行为则表明，超过 K=8 之后的边缘分块弊大于利。

评估套件中的按位置召回指标。在评估套件中添加合成注入基准测试，将金标准分块强制放入从 1 到 K 的每个位置，并报告每个槽位的准确率。这正是 Liu 等人的设置，只不过适配到了你的语料库。它能捕捉到导致中间频带性能退化的模型升级，以及悄悄将权重转移到盲区的重排序器更改。它在 CI 中运行；成本比检索消融实验还要低。

让包含答案的段落靠近问题的提示词结构。最强大的廉价方案是结构性的：将“系统提示词 + N 个段落 + 用户问题”更改为“系统提示词 + 用户问题 + N 个段落 + 重述问题”。现在，问题锚定了上下文的两端，模型的强注意力槽位覆盖了包含答案的区域，而不是覆盖样板文本。 “重述问题”模式出现在生产环境的 RAG 架构中，是因为它有效，而不是因为它优雅。

校准机制。一个更具侵入性的选项是校准步骤，它在推理时调整模型的注意力分布以抚平 U 形曲线。最近的工作——“Found in the Middle”系列研究——在不进行重新训练的情况下校准位置注意力偏置，并报告在长上下文 RAG 任务中获得了高达 15 个百分点的提升。这比其他方法更偏向研究性质，但它指明了问题的正确方向：这种偏置是模型注意力的属性，推理栈可以对其进行修正，而不是提示词团队必须永远设法绕过的属性。

架构层面的实现​

检索团队针对内容计算评分。模型根据位置做出回答。这是两种不同的目标函数，而你的流水线从未将它们统一。

检索评分的含义是 “在给定查询下，这段内容最相关”。位置偏见 (position bias) 的含义则是 “模型阅读这个位置会比那个位置更仔细”。一个只追求检索评分最大化而不对位置偏见进行建模的流水线，本质上是在要求模型以均匀的注意力分布 (uniform attention map) 进行阅读，然后在模型没有照做时抱怨。模型只是在执行其注意力数学逻辑。而流水线才是那个假装位置成本为零的部分。

修复方法不是换一个更好的重排序器 (reranker)，也不是增加上下文窗口。它是检索层与提示词组装层 (prompt assembly layer) 之间的一次契约变更，将位置索引 (slot index) 视为组装器的第一类输入 (first-class input)，赋予其与评分同等的重要性。完成这项变更的团队，无需触碰任何嵌入模型 (embedding model)，就能实现回答质量的阶跃式提升，因为 Bug 从不在检索环节 —— 而是在模型从未读过的那个位置里。

在契约变更落地之前，你的 retrieval@10 会持续上升，而 answer@10 会持续下滑，负责流水线两端的两个团队会不断告诉对方，失败发生在接缝 (seam) 的另一侧。去衡量那个接缝。中间地带是评分与回答产生分歧的地方，而对这一地带进行观测的团队，就是找到 Bug 的团队。