考察点
这道题出自小红书 AI 产品实习面，明显偏向有技术功底的候选人。它把两个工程味很重的问题打包问：上下文管理考的是你知不知道 token 是稀缺资源、多轮检索会把窗口撑爆；输出约束考的是你能不能把「让模型别乱说话」落到具体机制上，而不是一句「优化 prompt」。产品经理答这题不需要写代码，但要能讲清楚每层的取舍——压缩会丢信息、约束会牺牲流畅度，这些 trade-off 才是产品决策。追问会往「压缩丢了关键信息怎么办」「约束后答非所问怎么发现」「笔记内容进上下文前做什么处理」走。
参考答案
上下文管理的核心矛盾：窗口有限，检索贪婪
检索 Agent 的典型流程是多轮的：理解 query → 检索 → 读结果 → 判断要不要补检索 → 生成答案。问题在于每一轮检索都想往上下文里塞笔记全文，几轮下来窗口就满了——要么截断丢信息，要么成本爆炸、延迟飙升。所以上下文管理的第一原则是：进窗口的每一段内容都要回答「它凭什么占这个位子」。
我的做法分四层。第一层，检索结果分层进窗：初筛召回几十篇笔记，但进上下文的不是全文，而是标题、核心段落、发布时间、作者属性的摘要化卡片，每篇压到一两百 token；只有模型判断「这篇必须精读」的少数几篇才拉全文进来。第二层，历史轮次做滚动压缩：多轮对话里，早期的检索结果和推理过程在确认不再相关后，压缩成一两句结论性的备忘（「已排除 2022 年前的攻略，价格信息以笔记 X 为准」），原始内容踢出窗口。第三层，结构化提取代替原文驻留：从笔记里抽出的关键信息（店名、价格、开放时间）落成结构化的中间表，后续轮次引用表格而不是原文。第四层，给上下文设预算制度：系统提示、用户记忆、检索内容、推理过程各占多少 token 有明确配额，超了就触发压缩，这个预算要当成产品参数来运营。
压缩的代价和补救
要承认压缩必然丢信息，关键是让丢失发生在「丢了也不影响结论」的地方。补救手段有两个：一是压缩时保留「可回查指针」——被踢出去的笔记 ID 和原文在库里还有，模型发现结论站不住时可以发起二次检索把原文捞回来，上下文管理因此不是单向丢弃而是「可换页的内存」；二是对时效敏感、数字密集的内容（价格、政策）压缩时优先保留原始表述，这类信息一改写就容易出错。
输出约束：四道闸门
小红书场景下输出约束要解决的具体问题是：模型不能把笔记里的软广当事实复述、不能编造笔记里没有的信息、不能生成违反社区规范的内容。我的四道闸门按从生成前到生成后排列。
第一道，生成前的信源约束：prompt 里明确「答案中的每个事实性陈述必须来自提供的笔记，并在句末标注笔记 ID；没有信源支撑的内容要么不答，要么明确说明『现有笔记没有覆盖』」。把「不知道」设为合法答案，是防幻觉最有效的单一手段。
第二道，结构化输出：需要程序消费的部分（推荐的店名列表、价格区间）强制 JSON schema 输出，模型只能在规定的字段和枚举里填，格式错误直接重试。自由文本和结构化数据分开生成，别指望一个输出既好看又能被程序稳定解析。
第三道，生成后的自动校验：答案里的实体和数字回查是否出现在引用笔记里，对不上则拦截重生成；社区规范词库和敏感类目（医美、金融）走独立的安全过滤层，这层不依赖模型自觉，是确定性规则。
第四道，展示层的降权设计：AI 答案明确标注「由 AI 根据 X 篇笔记整理」，引用笔记以卡片形式挂出，用户一键可溯源。这不是免责声明，是把验证能力交还给用户——约束做到 99%，剩下 1% 靠透明兜底。
产品经理在这件事里的位置
这两件事看起来工程味重，但处处是产品决策：上下文预算是成本和体验的权衡，压缩策略决定答案的完整性，「宁可不答」的阈值定高了用户觉得笨、定低了幻觉冒头。PM 要干的是把这些参数和业务指标挂上钩，用 badcase 回流驱动调整，而不是甩给算法同学一句「把效果做好」。
可能的追问
- 压缩把关键信息弄丢了，答案错了怎么发现？ 答：两条线监控。离线用评测集回归，每次压缩策略变更都跑一遍看准确率；线上看「答案与引用笔记的一致性校验不通过率」和用户负反馈率，突增就先回滚策略再排查。
- 模型回答「现有笔记没有覆盖」太多，用户觉得没用怎么办？ 答：先看不答的 query 分布——如果是笔记生态本来就缺的内容品类，这是供给问题，反馈给内容运营；如果是检索没召回到，优化检索。「不答率」本身是分层归因的入口，不能笼统压指标。
- 笔记正文进上下文前做什么预处理？ 答：去噪（表情、话题标签、引流话术剥离）、提取发布时间地点等元数据、按段落语义切块。笔记是强口语、强格式噪音的语料，清洗质量对最终答案的影响不亚于模型本身。