本研究探讨了增强检索生成（RAG）中管理外部知识的挑战，提出了晚分块和上下文检索两种分块技术。结果表明，上下文检索在语义连贯性上表现更佳，但计算资源需求较高；而晚分块效率更高，但可能影响相关性和完整性。

本研究比较了递归神经网络（RNNs）和变压器（Transformers）在解决算法问题时的表示能力，发现RNNs通过增强上下文检索能力的技术可以解决多项式时间可解问题，消除与Transformers之间的表示差距。

上下文调整的检索增强生成模型提高了语义搜索性能，对上下文检索和工具检索任务分别实现了3.5倍和1.5倍提升，同时提高了基于LLM的计划生成准确性11.6%。使用倒数排名融合和LambdaMART的轻量级模型时，上下文增强减少了虚构现象。