Towards Data Science описал «малый цикл» для уточнения запросов в RAG до этапа retrieval

В серии материалов Enterprise Document Intelligence авторы предлагают смотреть на loop engineering как на следующий слой поверх prompt engineering и context engineering. Речь о небольших циклах взаимодействия вокруг вызова LLM, которые помогают уточнить запрос еще до этапа retrieval. В качестве примера приводится поиск данных о страховой премии в 50-страничном страховом полисе. Если в структуре документа нет раздела Premium, система не запускает полный поиск по embeddings, а задает пользователю уточняющий вопрос.

Как пишет Towards Data Science, такой pipeline сначала анализирует профиль документа и содержание TOC. Если прямого совпадения нет, обработка останавливается, и система просит пользователя подсказать, где искать нужный раздел. После ответа пользователя, даже с опечаткой или свободной формулировкой, LLM заново парсит запрос и заполняет типизированное поле вроде section_hint. Затем retrieval продолжается, но уже в ограниченном контексте.

Авторы противопоставляют этот подход «наивному» top-k поиску. В примере с insurance policy такой поиск возвращал нерелевантные exclusion clauses и endorsement boilerplate вместо фактического premium schedule на странице 3. В тексте отдельно подчеркивается, что loop engineering не заменяет prompt engineering и context engineering, а дополняет их. Prompt engineering отвечает за отдельный вызов модели, context engineering за содержимое контекстного окна, а loop engineering за итерации вокруг вызова LLM.