Haystack TopPSampler 组件详解基于 top-pnucleus采样的文档筛选【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystackHaystack 是用于构建生产级 LLM 应用的 AI 编排框架其TopPSampler组件实现了 top-pnucleus采样逻辑可根据文档分数构成的累积概率分布智能筛选文档而非机械地截取固定数量的结果。本文以 version-2.18 的 Samplers API 参考文档 为主线结合当前仓库中的 源码实现、单元测试 与发布说明深入讲解TopPSampler的参数语义、运行机制、边界行为以及如何在 RAG 管道中与 Ranker、Retriever 等组件配合使用。读完本文你将掌握如何用累积概率而非固定 Top-K 控制文档召回数量、如何通过score_field复用检索器与排序器写入的分数、如何用min_top_k保证下游始终收到足够数量的文档以及使用过程中需要避开的坑。组件定位它在管道中扮演什么角色官方定位一览根据 组件文档 中的关键信息表TopPSampler的定位非常清晰项目内容最常出现的位置在 Ranker 之后必填的初始化参数无所有参数都有默认值必填的 run 参数documents文档列表输出变量documents筛选后的文档列表API 参考Samplers所属包haystack-ai核心设计思想TopPSampler的核心思想是不再选择固定数量的文档而是关注文档分数累积概率的一个指定百分比区间。说得更直白一点它回答的问题是——哪些文档的分值加在一起能够达到top_p这个累积概率阈值当top_p设为较高值如 0.95时更多文档会被保留输出更多样当top_p设为较低值时只有最高分的那一小撮文档会被保留输出更聚焦top_p 1.0默认值表示不做任何筛选所有文档都被保留。需要特别强调的一点是TopPSampler自己不会计算分数。它只对已经携带分数的文档做筛选因此正确的放置位置是某个打分组件如 Ranker之后。在管道中TopPSampler最常见的搭档就是 RankerRanker 负责给文档打分TopPSampler负责根据分数的累积概率决定保留哪些文档。快速上手独立使用与最小可运行示例API 参考文档给出了一个非常直观的最小示例这也是验证组件行为最快的方式from haystack import Document from haystack.components.samplers import TopPSampler sampler TopPSampler(top_p0.95, score_fieldsimilarity_score) docs [ Document(contentBerlin, meta{similarity_score: -10.6}), Document(contentBelgrade, meta{similarity_score: -8.9}), Document(contentSarajevo, meta{similarity_score: -4.6}), ] output sampler.run(documentsdocs) docs output[documents] assert len(docs) 1 assert docs[0].content Sarajevo在这个例子里分数存放在每个文档的meta[similarity_score]字段中因此需要通过score_fieldsimilarity_score告诉组件去哪里取分三个文档的相似度分数分别为 -10.6、-8.9、-4.6显然 Sarajevo 与查询最相似经过 softmax 归一化后最高分文档占据了绝大部分累积概率top_p0.95只保留下 Sarajevo 这一个文档。从源码可以看到run()方法被 component.output_types 装饰器标记输出恒为{documents: [筛选后的文档列表]}且结果按分数从高到低排序返回这一点在测试 test_run_top_p_1 中有明确验证——即便输入顺序被打乱输出也总是按分数降序排列。参数详解top_p、score_field 与 min_top_kTopPSampler的构造签名如下与 API 文档 及 源码 完全一致def __init__(self, top_p: float 1.0, score_field: Optional[str] None, min_top_k: Optional[int] None)top_p累积概率阈值类型float取值范围[0, 1]默认1.0。含义选择文档的累积概率阈值。1.0表示不做筛选全部保留。校验初始化与run()时都会校验超出 [0, 1] 会抛出ValueError。源码中的校验逻辑为if not 0 top_p 1: raise ValueError(...)见 top_p.py对应测试 test_init_raises_value_error 与 test_run_raises_value_error。运行期覆盖run(documents, top_p...)可以传入一个运行期阈值来覆盖初始化时的值这在按查询动态调整筛选力度的场景中非常有用。score_field分数来源字段类型Optional[str]默认None。含义指定从文档meta的哪个字段读取分数。默认行为None时使用文档自带的score属性。关于Document.scoredataclasses/document.py 注释明确写道该分数通常由检索器retriever赋值用于排序——这正是TopPSampler默认读取的分数来源。min_top_k最少返回文档数类型Optional[int]默认None必须是非负整数。含义当 top-p 筛选出的文档数量不足min_top_k时按分数从高到低补充文档直到达到该数量。校验源码会拒绝布尔值、非整数及负数见 top_p.py对应参数化测试 test_init_invalid_min_top_k。边界行为min_top_k大于可用文档总数时返回全部文档它只保证下限不会反过来截断 top-p 已经选出的更多文档。测试 test_run_min_top_k_does_not_limit_selection 验证了这一点min_top_k1, top_p0.99时仍返回 2 个文档。参数化测试 test_run_min_top_k 则完整覆盖了min_top_k为 None/0/1/2/3/10 时的返回数量。min_top_k参数来自发布说明 add-min-top-k-top-p-sampler 中的增强当我们希望保证一定数量的文档总是被传递下去同时又允许 Top-P 算法根据文档分数决定是否发送更多文档时这个参数非常有用。run() 方法与返回结果run()的签名如下见 API 文档component.output_types(documentslist[Document]) def run(documents: list[Document], top_p: Optional[float] None)参数documents待筛选的Document列表top_p可选运行期覆盖初始化时设定的阈值。返回值一个字典包含唯一键documents值为按分数降序排列的、经过 top-p 筛选的文档列表。可能抛出的异常ValueError当top_p超出 [0, 1] 区间时。空输入与空结果的处理run()对边界情况做了明确处理源码见 top_p.py空文档列表直接返回{documents: []}对应测试 test_run_returns_empty_list_no_documents没有任何文档带有效分数打印警告日志No documents with scores found. Returning the original documents.并原样返回全部文档保证管道不中断top_p 过低导致一个文档都选不中打印警告日志并返回分数最高的那个文档确保下游至少有一个结果可用。测试 test_run_top_p_0 验证了top_p0.0时返回单个最高分文档 Sarajevo。分数读取的细节规则分数读取逻辑集中在静态方法 _get_doc_score有几点非常值得注意指定score_field时从doc.meta读取否则读doc.scorebool会被视为无效分数因为bool是int的子类但不应作为分数返回None并按缺分处理。测试 test_run_with_boolean_scores_treated_as_missing 验证了布尔分数文档被剔除并触发警告日志整数分数与浮点分数一视同仁。这一点曾经是个 bug早期版本把整数分数当成没有分数处理导致筛选静默失效。该问题在发布说明 fix-top-p-sampler-int-scores-and-zero-override 中被修复对应测试 test_run_with_integer_scores部分文档缺分时仅对有分的文档做筛选并打印警告日志列出缺分的文档 ID指定了score_field时提示 Score field ... not found in metadata否则提示 Ensure all documents have a valid score value。底层原理softmax 与累积概率计算TopPSampler的计算管线完全基于 PyTorch源码在文件头部通过 LazyImport 惰性引入 torch未安装时会提示运行pip install torch1.13。核心步骤见 top_p.py降序排序将文档, 分数按分数从高到低排序softmax 归一化probs torch.nn.functional.softmax(tensor_scores, dim-1)将原始分数转换为概率分布。这一步意味着组件比较的是分数的相对占比而非绝对大小——分数整体平移或缩放会影响每个文档被选中的概率累积求和cumulative_probs torch.cumsum(probs, dim-1)计算从最高分到最低分的累积概率阈值判定保留满足cumulative_probs top_p的文档并通过torch.isclose(..., atol1e-6)引入 1e-6 容差避免浮点误差导致本应刚好等于阈值的文档被误删结果映射把选中的索引映射回排序后的文档得到最终输出。正是因为基于 softmax 累积概率top_p0.95通常只会保留分数最高的少数几个文档最高分文档往往占掉绝大部分概率质量而top_p1.0必然保留全部。这个高阈值少文档的特性让TopPSampler在筛选语义上天然与 Top-K 不同Top-K 固定数量top-p 按概率质量自适应数量。实战在 RAG 管道中与 Ranker 组合使用TopPSampler真正的用武之地是嵌入管道。组件文档 toppsampler.mdx 给出了一个完整的网页搜索 → 抓取 → 转换 → 拆分 → 排序 → top-p 采样 → 生成答案的 RAG 链路示例核心连接逻辑如下from haystack import Pipeline from haystack.components.samplers import TopPSampler # ... 初始化 web_search、fetcher、converter、splitter、ranker、llm 等组件 ... similarity_ranker SentenceTransformersSimilarityRanker(top_k10) top_p_sampler TopPSampler(top_p0.95) pipe Pipeline() # ... 逐个 add_component ... pipe.connect(search.links, fetcher.urls) pipe.connect(fetcher.streams, router.sources) pipe.connect(router.text/html, converter.sources) pipe.connect(converter.documents, splitter.documents) pipe.connect(splitter.documents, ranker.documents) pipe.connect(ranker.documents, sampler.documents) # Ranker 打分Sampler 按概率筛选 pipe.connect(sampler.documents, prompt_builder.documents) pipe.connect(prompt_builder.prompt, llm.messages) result pipe.run( data{search: query_dict, prompt_builder: query_dict, ranker: query_dict}, )这个示例中的分工非常典型RankerSentenceTransformersSimilarityRanker(top_k10)先对候选文档打分产出带分数的前 10 个文档TopPSampler(top_p0.95)随后按累积概率从这 10 个文档中筛选出最相关的子集作为上下文送入ChatPromptBuilder文档中提到配套示例使用了sentence-transformers-haystack和serperdev-haystack两个集成包运行前需执行pip install sentence-transformers-haystack serperdev-haystack。这里体现出TopPSampler的独特价值Ranker 的top_k管住最多取多少而top_p管住按概率质量取多少。当候选文档中只有一两个真正相关时top-p 能自动把不相关的凑数文档剔除让送入 LLM 的上下文更干净当多个文档都高度相关时top-p 又会保留更多文档不丢失信息。边界行为与常见坑位清单结合源码、测试与发布说明汇总使用TopPSampler时最值得注意的行为与陷阱场景行为依据top_p1.0保留全部文档不筛选test_run_top_p_1top_p0.0返回单个最高分文档并告警test_run_top_p_0run(top_p0.0)覆盖初始化值覆盖生效返回最高分文档早期版本曾静默失效已被修复发布说明整数分数与浮点分数同样有效早期版本曾误判为缺分test_run_with_integer_scores布尔分数视为无效分数剔除并告警test_run_with_boolean_scores_treated_as_missing空文档列表返回空列表不报错test_run_returns_empty_list_no_documents全部文档缺分告警并原样返回全部文档top_p.py部分文档缺分仅筛有分的文档告警列出缺分文档 IDtest_run_missing_scoresmin_top_k不足按分数降序补齐至下限test_run_min_top_kmin_top_k过大返回全部文档test_run_min_top_ktop_p越界抛出ValueErrortest_init_raises_value_errormin_top_k非法抛出ValueErrortest_init_invalid_min_top_k两个历史包袱值得单独强调因为它们对应着发布说明中记录的已修复缺陷见 fix-top-p-sampler-int-scores-and-zero-override整数分数曾导致筛选静默失效早期版本把整数分数当作无分处理日志告警后原样返回所有文档用户浑然不觉。现版本整数与浮点分数同等对待但如果你的环境中是旧版本遇到筛选不生效应先检查分数类型run(top_p0.0)曾静默回退到构造参数由于当时使用了真值判断falsy check运行期显式传入0.0会被当成未传参而改用初始化值。现版本已修复为尊重显式覆盖。总结TopPSampler是 Haystack 管道中一个轻量但精巧的文档筛选组件它把 LLM 解码领域常见的 top-pnucleus采样思想引入文档选择通过 softmax 累积概率自适应地决定保留多少文档与 Ranker 的固定 Top-K 形成互补。它的三个参数——top_p累积概率阈值、score_field分数来源、min_top_k最少返回数量——分别解决了筛多严、分在哪、保底多少三个问题。无论你是想给 RAG 管道做上下文精炼还是希望在检索结果中动态控制信息量都可以在 haystack/components/samplers/top_p.py 与 test/components/samplers/test_top_p.py 中进一步阅读实现细节与边界测试也可以对照 组件指南 查看更多管道组合示例。【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Haystack TopPSampler 组件详解：基于 top-p（nucleus）采样的文档筛选
Haystack TopPSampler 组件详解基于 top-pnucleus采样的文档筛选【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystackHaystack 是用于构建生产级 LLM 应用的 AI 编排框架其TopPSampler组件实现了 top-pnucleus采样逻辑可根据文档分数构成的累积概率分布智能筛选文档而非机械地截取固定数量的结果。本文以 version-2.18 的 Samplers API 参考文档 为主线结合当前仓库中的 源码实现、单元测试 与发布说明深入讲解TopPSampler的参数语义、运行机制、边界行为以及如何在 RAG 管道中与 Ranker、Retriever 等组件配合使用。读完本文你将掌握如何用累积概率而非固定 Top-K 控制文档召回数量、如何通过score_field复用检索器与排序器写入的分数、如何用min_top_k保证下游始终收到足够数量的文档以及使用过程中需要避开的坑。组件定位它在管道中扮演什么角色官方定位一览根据 组件文档 中的关键信息表TopPSampler的定位非常清晰项目内容最常出现的位置在 Ranker 之后必填的初始化参数无所有参数都有默认值必填的 run 参数documents文档列表输出变量documents筛选后的文档列表API 参考Samplers所属包haystack-ai核心设计思想TopPSampler的核心思想是不再选择固定数量的文档而是关注文档分数累积概率的一个指定百分比区间。说得更直白一点它回答的问题是——哪些文档的分值加在一起能够达到top_p这个累积概率阈值当top_p设为较高值如 0.95时更多文档会被保留输出更多样当top_p设为较低值时只有最高分的那一小撮文档会被保留输出更聚焦top_p 1.0默认值表示不做任何筛选所有文档都被保留。需要特别强调的一点是TopPSampler自己不会计算分数。它只对已经携带分数的文档做筛选因此正确的放置位置是某个打分组件如 Ranker之后。在管道中TopPSampler最常见的搭档就是 RankerRanker 负责给文档打分TopPSampler负责根据分数的累积概率决定保留哪些文档。快速上手独立使用与最小可运行示例API 参考文档给出了一个非常直观的最小示例这也是验证组件行为最快的方式from haystack import Document from haystack.components.samplers import TopPSampler sampler TopPSampler(top_p0.95, score_fieldsimilarity_score) docs [ Document(contentBerlin, meta{similarity_score: -10.6}), Document(contentBelgrade, meta{similarity_score: -8.9}), Document(contentSarajevo, meta{similarity_score: -4.6}), ] output sampler.run(documentsdocs) docs output[documents] assert len(docs) 1 assert docs[0].content Sarajevo在这个例子里分数存放在每个文档的meta[similarity_score]字段中因此需要通过score_fieldsimilarity_score告诉组件去哪里取分三个文档的相似度分数分别为 -10.6、-8.9、-4.6显然 Sarajevo 与查询最相似经过 softmax 归一化后最高分文档占据了绝大部分累积概率top_p0.95只保留下 Sarajevo 这一个文档。从源码可以看到run()方法被 component.output_types 装饰器标记输出恒为{documents: [筛选后的文档列表]}且结果按分数从高到低排序返回这一点在测试 test_run_top_p_1 中有明确验证——即便输入顺序被打乱输出也总是按分数降序排列。参数详解top_p、score_field 与 min_top_kTopPSampler的构造签名如下与 API 文档 及 源码 完全一致def __init__(self, top_p: float 1.0, score_field: Optional[str] None, min_top_k: Optional[int] None)top_p累积概率阈值类型float取值范围[0, 1]默认1.0。含义选择文档的累积概率阈值。1.0表示不做筛选全部保留。校验初始化与run()时都会校验超出 [0, 1] 会抛出ValueError。源码中的校验逻辑为if not 0 top_p 1: raise ValueError(...)见 top_p.py对应测试 test_init_raises_value_error 与 test_run_raises_value_error。运行期覆盖run(documents, top_p...)可以传入一个运行期阈值来覆盖初始化时的值这在按查询动态调整筛选力度的场景中非常有用。score_field分数来源字段类型Optional[str]默认None。含义指定从文档meta的哪个字段读取分数。默认行为None时使用文档自带的score属性。关于Document.scoredataclasses/document.py 注释明确写道该分数通常由检索器retriever赋值用于排序——这正是TopPSampler默认读取的分数来源。min_top_k最少返回文档数类型Optional[int]默认None必须是非负整数。含义当 top-p 筛选出的文档数量不足min_top_k时按分数从高到低补充文档直到达到该数量。校验源码会拒绝布尔值、非整数及负数见 top_p.py对应参数化测试 test_init_invalid_min_top_k。边界行为min_top_k大于可用文档总数时返回全部文档它只保证下限不会反过来截断 top-p 已经选出的更多文档。测试 test_run_min_top_k_does_not_limit_selection 验证了这一点min_top_k1, top_p0.99时仍返回 2 个文档。参数化测试 test_run_min_top_k 则完整覆盖了min_top_k为 None/0/1/2/3/10 时的返回数量。min_top_k参数来自发布说明 add-min-top-k-top-p-sampler 中的增强当我们希望保证一定数量的文档总是被传递下去同时又允许 Top-P 算法根据文档分数决定是否发送更多文档时这个参数非常有用。run() 方法与返回结果run()的签名如下见 API 文档component.output_types(documentslist[Document]) def run(documents: list[Document], top_p: Optional[float] None)参数documents待筛选的Document列表top_p可选运行期覆盖初始化时设定的阈值。返回值一个字典包含唯一键documents值为按分数降序排列的、经过 top-p 筛选的文档列表。可能抛出的异常ValueError当top_p超出 [0, 1] 区间时。空输入与空结果的处理run()对边界情况做了明确处理源码见 top_p.py空文档列表直接返回{documents: []}对应测试 test_run_returns_empty_list_no_documents没有任何文档带有效分数打印警告日志No documents with scores found. Returning the original documents.并原样返回全部文档保证管道不中断top_p 过低导致一个文档都选不中打印警告日志并返回分数最高的那个文档确保下游至少有一个结果可用。测试 test_run_top_p_0 验证了top_p0.0时返回单个最高分文档 Sarajevo。分数读取的细节规则分数读取逻辑集中在静态方法 _get_doc_score有几点非常值得注意指定score_field时从doc.meta读取否则读doc.scorebool会被视为无效分数因为bool是int的子类但不应作为分数返回None并按缺分处理。测试 test_run_with_boolean_scores_treated_as_missing 验证了布尔分数文档被剔除并触发警告日志整数分数与浮点分数一视同仁。这一点曾经是个 bug早期版本把整数分数当成没有分数处理导致筛选静默失效。该问题在发布说明 fix-top-p-sampler-int-scores-and-zero-override 中被修复对应测试 test_run_with_integer_scores部分文档缺分时仅对有分的文档做筛选并打印警告日志列出缺分的文档 ID指定了score_field时提示 Score field ... not found in metadata否则提示 Ensure all documents have a valid score value。底层原理softmax 与累积概率计算TopPSampler的计算管线完全基于 PyTorch源码在文件头部通过 LazyImport 惰性引入 torch未安装时会提示运行pip install torch1.13。核心步骤见 top_p.py降序排序将文档, 分数按分数从高到低排序softmax 归一化probs torch.nn.functional.softmax(tensor_scores, dim-1)将原始分数转换为概率分布。这一步意味着组件比较的是分数的相对占比而非绝对大小——分数整体平移或缩放会影响每个文档被选中的概率累积求和cumulative_probs torch.cumsum(probs, dim-1)计算从最高分到最低分的累积概率阈值判定保留满足cumulative_probs top_p的文档并通过torch.isclose(..., atol1e-6)引入 1e-6 容差避免浮点误差导致本应刚好等于阈值的文档被误删结果映射把选中的索引映射回排序后的文档得到最终输出。正是因为基于 softmax 累积概率top_p0.95通常只会保留分数最高的少数几个文档最高分文档往往占掉绝大部分概率质量而top_p1.0必然保留全部。这个高阈值少文档的特性让TopPSampler在筛选语义上天然与 Top-K 不同Top-K 固定数量top-p 按概率质量自适应数量。实战在 RAG 管道中与 Ranker 组合使用TopPSampler真正的用武之地是嵌入管道。组件文档 toppsampler.mdx 给出了一个完整的网页搜索 → 抓取 → 转换 → 拆分 → 排序 → top-p 采样 → 生成答案的 RAG 链路示例核心连接逻辑如下from haystack import Pipeline from haystack.components.samplers import TopPSampler # ... 初始化 web_search、fetcher、converter、splitter、ranker、llm 等组件 ... similarity_ranker SentenceTransformersSimilarityRanker(top_k10) top_p_sampler TopPSampler(top_p0.95) pipe Pipeline() # ... 逐个 add_component ... pipe.connect(search.links, fetcher.urls) pipe.connect(fetcher.streams, router.sources) pipe.connect(router.text/html, converter.sources) pipe.connect(converter.documents, splitter.documents) pipe.connect(splitter.documents, ranker.documents) pipe.connect(ranker.documents, sampler.documents) # Ranker 打分Sampler 按概率筛选 pipe.connect(sampler.documents, prompt_builder.documents) pipe.connect(prompt_builder.prompt, llm.messages) result pipe.run( data{search: query_dict, prompt_builder: query_dict, ranker: query_dict}, )这个示例中的分工非常典型RankerSentenceTransformersSimilarityRanker(top_k10)先对候选文档打分产出带分数的前 10 个文档TopPSampler(top_p0.95)随后按累积概率从这 10 个文档中筛选出最相关的子集作为上下文送入ChatPromptBuilder文档中提到配套示例使用了sentence-transformers-haystack和serperdev-haystack两个集成包运行前需执行pip install sentence-transformers-haystack serperdev-haystack。这里体现出TopPSampler的独特价值Ranker 的top_k管住最多取多少而top_p管住按概率质量取多少。当候选文档中只有一两个真正相关时top-p 能自动把不相关的凑数文档剔除让送入 LLM 的上下文更干净当多个文档都高度相关时top-p 又会保留更多文档不丢失信息。边界行为与常见坑位清单结合源码、测试与发布说明汇总使用TopPSampler时最值得注意的行为与陷阱场景行为依据top_p1.0保留全部文档不筛选test_run_top_p_1top_p0.0返回单个最高分文档并告警test_run_top_p_0run(top_p0.0)覆盖初始化值覆盖生效返回最高分文档早期版本曾静默失效已被修复发布说明整数分数与浮点分数同样有效早期版本曾误判为缺分test_run_with_integer_scores布尔分数视为无效分数剔除并告警test_run_with_boolean_scores_treated_as_missing空文档列表返回空列表不报错test_run_returns_empty_list_no_documents全部文档缺分告警并原样返回全部文档top_p.py部分文档缺分仅筛有分的文档告警列出缺分文档 IDtest_run_missing_scoresmin_top_k不足按分数降序补齐至下限test_run_min_top_kmin_top_k过大返回全部文档test_run_min_top_ktop_p越界抛出ValueErrortest_init_raises_value_errormin_top_k非法抛出ValueErrortest_init_invalid_min_top_k两个历史包袱值得单独强调因为它们对应着发布说明中记录的已修复缺陷见 fix-top-p-sampler-int-scores-and-zero-override整数分数曾导致筛选静默失效早期版本把整数分数当作无分处理日志告警后原样返回所有文档用户浑然不觉。现版本整数与浮点分数同等对待但如果你的环境中是旧版本遇到筛选不生效应先检查分数类型run(top_p0.0)曾静默回退到构造参数由于当时使用了真值判断falsy check运行期显式传入0.0会被当成未传参而改用初始化值。现版本已修复为尊重显式覆盖。总结TopPSampler是 Haystack 管道中一个轻量但精巧的文档筛选组件它把 LLM 解码领域常见的 top-pnucleus采样思想引入文档选择通过 softmax 累积概率自适应地决定保留多少文档与 Ranker 的固定 Top-K 形成互补。它的三个参数——top_p累积概率阈值、score_field分数来源、min_top_k最少返回数量——分别解决了筛多严、分在哪、保底多少三个问题。无论你是想给 RAG 管道做上下文精炼还是希望在检索结果中动态控制信息量都可以在 haystack/components/samplers/top_p.py 与 test/components/samplers/test_top_p.py 中进一步阅读实现细节与边界测试也可以对照 组件指南 查看更多管道组合示例。【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考