你让 AI 从合同里列出“卖方的全部义务”，它给出五条，语气很确定，却没告诉你其实还有第六条。问题常不在生成，而在检索：常规 RAG（先从资料中找片段，再让模型回答）只取相关性最高的 Top-K 段落，适合找一条证据，却不保证找全分散在文档各处的项目。
Angela Shi 在 towardsdatascience 的文章中用 NIST Cybersecurity Framework 举例：GOVERN 下共有六个类别，朴素的 Top-5 检索可能只让模型看到其中五个，漏掉分布在另一片段中的 GV.SC。答案读起来仍像完整清单。这类任务更看重召回率——找出的相关项占全部相关项的比例，而不是头几条有多贴题。
文章主张先识别“列出全部”问题，再改用循环式检索：根据已有结果改写查询、扩大范围或沿文档结构继续遍历，并设置停止条件，例如预期数量已满足、目录范围已走完，或连续多轮没有新增。关键不是把 K 调大，而是让系统既会继续找，也有证据说明何时可以停。