当 AI Agent 需要同时处理大量合同、会议纪要、产品文档、工单与知识库时，最常见的问题并不是模型“读不懂”，而是相关信息没有进入最终推理链路。上下文窗口再长，也不等于所有内容都会被同等关注。文档数量增长后，主题分散、表达差异、信息冲突和检索噪声都会增加，最终表现为回答看似合理，却漏掉关键文件、限定条件或例外条款。
一、先区分“检索遗漏”和“推理遗漏”
减少遗漏的第一步，是确认问题发生在哪个环节。检索遗漏是指相关文档根本没有被召回；排序遗漏是指文档已被找到，但排名过低而未进入模型上下文；推理遗漏则是材料已经提供给模型，模型却没有引用或整合其中的信息。三类问题的优化方法不同，如果只靠扩大上下文窗口，通常只能缓解部分排序问题，无法修复索引质量和任务规划缺陷。
建议为 Agent 保存可观察的执行轨迹，包括查询改写结果、召回文档列表、片段得分、重排结果、最终引用和被排除原因。出现错误时，可以快速判断是“没找到”“找到但没选中”，还是“选中但没使用”，避免凭感觉调整提示词。
二、建立面向检索的文档结构
跨文档检索的基础不是模型，而是文档治理。扫描件、复杂表格、页眉页脚、版本记录和附件说明如果解析不完整，后续再强的检索模型也难以弥补。入库前应统一进行文本提取、版面识别、标题层级还原、表格结构保留和重复内容清理，并记录文件名、版本、日期、作者、业务对象、权限范围等元数据。
切分文档时不宜单纯按照固定字符数截断。更稳妥的方式是优先沿章节、小标题、条款、问答单元或表格边界切分，再设置适度重叠。每个片段还应携带文档标题、章节路径和必要的上下文摘要。这样即使原问题没有使用文档中的原词，检索系统也能借助主题和层级信息建立联系。
三、把一次搜索改造成检索计划
复杂问题往往包含多个隐含子任务。例如，“比较三个项目的延期原因并判断是否违反交付约定”，至少涉及项目识别、延期事实、原因说明、合同约定和例外条件。若只生成一条查询，检索结果很容易被其中某个高频主题占据。
Agent 应先将问题拆成相互独立、可验证的子问题，再为每个子问题生成关键词查询、语义查询和必要的元数据过滤条件。完成第一轮检索后，还要根据已发现的项目名称、缩写、人员称谓或条款编号进行第二轮扩展。对于“全部”“分别”“逐项”“是否存在例外”等要求，应建立显式检查清单，而不是依赖模型自行记忆。
四、采用混合召回与分层重排
向量检索擅长发现语义相近内容，但对编号、产品型号、日期、专有名词和精确条款未必稳定；关键词检索能够精确命中，却可能漏掉同义表达。因此，跨文档场景更适合同时使用关键词召回、向量召回与元数据过滤，然后合并去重。
召回阶段应强调覆盖率，允许保留较多候选；重排阶段再综合问题相关性、文档权威性、版本新旧、时间范围和来源多样性进行筛选。需要特别防止同一份长文档的多个相似片段占满上下文。可以设置单文档候选上限，或按文档先聚合，再从不同来源中选择代表性片段。
五、使用“文档级定位加片段级取证”
直接在所有片段中进行一次全局搜索，容易让局部高相似内容压过真正关键的文档。更可靠的方法是两阶段检索：先依据标题、摘要、目录和元数据确定可能相关的文档，再在候选文档内部定位具体章节、条款或表格。
这种方法能够保留文档整体语境，也方便 Agent 在发现线索后向前后扩展。例如命中“延期获批”时，应继续读取相邻段落，确认批准主体、适用范围和生效条件，而不是只把一句结论送入模型。对于合同、制度和技术规范，局部上下文往往决定一句话能否成立。
六、控制超长上下文中的信息摆放
将大量片段简单拼接到提示词中，会产生明显噪声。应先按子问题组织证据，每组材料标注文档来源、章节、日期和版本，并把最关键证据放在问题附近。重复片段可以合并，但不能在摘要过程中删除否定词、条件限制、时间边界和例外情况。
如果材料仍然过长，可以采用分层压缩：先为每份文档生成与当前问题相关的摘要，再对摘要进行跨文档比较，同时保留原始片段引用。摘要只能用于导航和组织，最终判断仍应回到原文证据，避免多轮压缩导致事实逐渐失真。
七、增加覆盖度检查和反向检索
初稿生成后，Agent 不应立刻结束任务，而应执行一次专门的遗漏检查。可以让系统列出问题中的实体、时间段、文档类别和判断维度，并标记每一项是否已有证据支持。没有证据的项目应触发补充检索，而不能直接推断为“不存在”。
反向检索同样重要。系统可以根据准备输出的结论，搜索可能的反例、否定表述、例外条款和更新版本。例如形成“项目未获延期批准”的结论后，还应搜索“延期确认”“变更批准”“补充协议”等替代表达。通过主动寻找冲突证据，可以降低只召回支持性材料造成的偏差。
八、用可复现测试持续评估
优化不能只看最终回答是否流畅。测试集应覆盖跨文档汇总、版本冲突、同名实体、多跳推理、表格信息、否定条件和全量列举等任务。每个问题都要标注应命中的文档、关键片段和必要结论，并分别评估文档召回率、证据覆盖率、引用准确性与答案完整性。
还应保留容易失败的真实案例，形成回归测试。每次更换嵌入模型、切分策略、重排器或提示词后，都运行同一组案例，观察某类问题是否改善，同时确认其他场景没有退化。相比单纯追求更大的上下文窗口，这种持续评估更容易找到可控、可复现的改进方向。
总结
超长上下文下的跨文档遗漏，本质上是文档治理、查询规划、召回排序、上下文组织和结果校验共同作用的系统问题。有效方案不是把更多原文一次性塞给模型，而是让 Agent 先拆解任务，通过混合检索扩大覆盖，再进行文档级定位、片段级取证和来源多样性控制，最后用检查清单与反向检索补齐证据。只有让每个结论都能追溯到明确来源，并让未覆盖项自动触发补检，跨文档回答才能从“看起来完整”走向“可以验证的完整”。
