面经策

什么是 Re-Reading？如何基于 Spring AI 实现 Re-Reading Advisor？ ​

  • 标签：后端、编程导航

🏛 业务架构师 ​

Re-Reading（RE2）是一种提示工程技术：把问题在 prompt 里重复一遍——"用户问题：X。请再读一遍问题：X。然后回答"。配合"逐字复述问题再推理"的指令，效果更好。

原理：重复提高了问题关键信息的注意力权重，降低模型对长上下文中无关信息的过度关注——尤其用户 prompt 很长（贴了大段文档再问一句）时，真正的问题被淹没，重复一次显著减少答非所问。

基于 Spring AI 的实现就是自定义 Advisor：

before: 把用户的原始问题重组为
  "{question}\n请再读一遍问题：{question}"
after: 原样透传（或剥离复读标记）

Advisor 的好处是对业务零侵入：配置开关即启用，按场景灰度（问答场景开、闲聊场景关），效果可 A/B 验证后决定去留。

我的业务评估框架：Re-Reading 的代价几乎只有一点点 token，性价比极高的"微优化"——但要有清醒的定位：

  • 它解决的是指令遵循与问题聚焦，不解决知识不足（那是 RAG 的事）、不解决推理深度（那是 CoT 的事）；
  • 不同模型对它的敏感度不同——上线前用自己的评测集跑对比，有提升才保留。

我把它与查询重写、上下文增强组成"提示工程工具箱"，按评测数据逐个决定启停——AI 应用的每个小技巧都要用数据证明自己，而不是论文说什么就信什么。这也是我管理 AI 项目与传统项目最大的方法论差异：一切优化以评测集为准绳。

🏗 系统架构师 ​

Re-Reading（RE2）是一种提示工程技术：在 Prompt 中把问题重复两遍——第一遍原文，第二遍"再读一遍问题"，让模型二次注意问题细节。论文证明这对复杂推理（数学、逻辑、细节遵循）有稳定提升，本质是给注意力机制"划重点"：重复的 token 在 self-attention 里获得更高权重，降低模型对问题关键条件的忽略率。

基于 Spring AI 实现 Advisor（advisor 链里做请求增强）：

java
public class ReReadingAdvisor implements CallAdvisor {
    public String adviseCall(AdvisedRequest req, CallAdvisorChain chain) {
        AdvisedRequest modified = req.mutate()
            .user(req.user() + "\n\n请重新读一遍问题: " + req.user())
            .build();
        return chain.nextAroundCall(modified);
    }
}

注册为 Bean 自动进链，或 .advisors(new ReReadingAdvisor()) 按需挂载。

我的使用判断（工程视角）：

  • 适合：复杂指令遵循、多约束条件、数学/代码类任务——细节遗漏是主要错误源的场景；
  • 不适合：闲聊、简单问答——白付一倍问题 token，延迟也略增；
  • 通常与 few-shot、CoT 组合：Re2 管输入强化，CoT 管推理展开。

架构意义：这体现了 Advisor 机制的价值——提示工程策略代码化，新实验（重读、自洽、反思）都能以可插拔的 Advisor 沉淀复用，而不是散落在业务代码里。

💻 全栈开发专家 ​

Re-Reading（Re2 技术）= 把问题在 prompt 里重复一遍，并明确要求模型"再读一次问题"再作答。论文证明这对复杂问答（多约束、数学、指令遵循）有稳定提升，成本几乎为零——本质是强化模型对问题本身的注意力。

实现：自定义 Advisor，在请求发出前改写用户消息：

java
public class ReReadingAdvisor implements CallAdvisor<ChatClient.ChatClientRequest> {
    @Override
    public ChatClient.ChatClientRequest adviseRequest(ChatClient.ChatClientRequest req,
            CallAdvisorChain chain) {
        String question = req.prompt().getUserMessage().getText();
        String enhanced = """
            原始问题：%s
            请重新阅读原始问题："%s"，确认理解每个约束后再回答。
            """.formatted(question, question);
        return chain.nextAdvice(req.mutate()
            .prompt(req.prompt().augmentUserMessage(enhanced)).build());
    }
}

挂到链上即可：.defaultAdvisors(new ReReadingAdvisor(), memory, rag...)。

我的实测体会：

  • 对"多个条件叠加"的问题（查 3 个字段 + 排序 + 时间范围）命中率明显提升，特别是会把约束漏掉的小模型；
  • 与 CoT 组合效果好：Re-Reading 强化"读题"，CoT 强化"解题步骤"；
  • 注意和 RAG Advisor 的顺序：先 RAG 注入上下文再 Re-Reading，重复的是问题本身不是上下文；
  • token 开销只多了问题一遍，对长 prompt 占比可忽略。

这类"prompt 工程 + Advisor 组件化"的模式是 Spring AI 的精髓——改动被收敛在链上，业务代码零侵入。