生成式搜索的上下文分配定律：因果测量与闭环编排

随着检索增强生成（RAG）向多样化组合生成转变，它受到两个关键瓶颈的阻碍：证据利用的测量缺陷，以及上下文预算分配的不优化。我们依次解决这两个问题。 为解决测量问题，我们揭示了一种普遍的“诊断幻觉”：标准的相关性代理在硬负样本上灾难性地失效。我们将其替换为一种高效的因果留一法探针，该探针能准确隔离生成依赖，并正式校准LLM注意力的结构性稀释。 为解决分配问题，我们将此因果探针部署于去混杂的因子网格中。我们证明，主流的整体上下文拓宽策略是一种受相关性衰减惩罚的架构陷阱。相反，跨多个顺序生成迭代分配计算资源，可带来16.7至20.5个绝对百分点的变革性组合召回率提升，并稳健扩展至32B模型。 最后，我们将这些解决方案统一为一个可部署的闭环子模调度器。通过属性引导的对比解码器增强，以覆盖LLM注意力惯性，我们的架构系统性地强制整合新证据。通过主导经典的开环基线，我们确立了顺序、反馈驱动的编排作为生成式搜索的最终范式。我们的代码、数据和因果测量工具可在 https://github.com/PeiYangLiu/ascp 获取。