大语言模型处理长文本时常面临一个棘手问题——"中间信息丢失"（Lost in the Middle, LIM）。这一问题并非个别厂商独有，GPT-4、Claude 3、Qwen等主流长上下文模型均受其困扰。其本质在于注意力机制天然偏向开头与结尾，形成U型性能曲线：模型能高效利用首尾信息，而中间大段内容几乎被忽略。这是底层认知偏差，难以直接修复。

那么LongCat AI是如何应对的？它的策略方向是什么？答案是：它并未试图直接攻克这一瓶颈。团队选择了一条更为务实路径——既然模型无法记住中间内容，那就避免关键信息出现在中间位置。思路简单直接，却切实可行。

具体而言，LongCat在其图像编辑工具与RAG相关模块中，从四个方向系统性地规避LIM问题。

第一个方向是结构化分段与位置强化。在RAG场景中，例如处理文档理解任务时，LongCat不会将整篇长报告一次性塞入一条prompt。而是先按语义将内容切分为多个带标题的短块，如"修复前状态""划痕分布图说明""材质纹理描述"，然后在每个块前添加显式前缀，例如[SECTION: BACKGROUND]或[SECTION: FACE DETAIL]。这一前缀效果显著。带有强标识的开头能让模型对后续内容投入更多注意力，相当于将原本位于中间的不易被关注的信息，推至逻辑起点。

第二个方向是检索结果重排序：头尾优先置顶。多文档检索返回的结果通常呈现Top-K列表。LongCat的LongContextRetriever在此基础上增加一轮二次排序——不仅依据相关性得分，还考虑位置权重。相关性最高与次高的结果被强制放置在prompt的开头和结尾；中等相关性的则置于中间。如此一来，输入本身便形成了人为构造的U型结构，恰好契合模型天然的注意力偏好，关键证据被调用的概率显著提升。

第三个方向是指令锚定与注意力引导。以图像编辑场景为例，用户可能用一句话指令："修复左下角第三道划痕，保留右上角老印章纹路。"LongCat-Image-Edit V2如何处理？它不依赖模型在文本序列中计算位置，而是将空间关键词"左下角""右上角"直接映射为视觉坐标，再通过cross-attention强制激活对应区域的特征图。通过空间指令"锁定"关注位置，从而绕开了文本序列中的绝对位置缺陷——这是一个相当巧妙的思路。

最后一个方向更为实用：轻量级上下文压缩，但并非简单截断。当遇到必须传入长上下文的场景，例如视频帧摘要链时，LongCat会使用一个小型summarizer，先从每个段落中提取出"锚点句"——包含主语、动作与关键属性。然后将这些句子拼接成一个紧凑的prompt。例如，原本50行的维修日志最终被压缩为5条"谁在何时做了什么，结果如何"的短句。关键细节得以保留，而中间冗余段落被大幅缩短。

归根结底，这四条路径均未涉及修改模型自身机制。它们全部在输入设计、检索调度与任务指令层面进行协同优化——换言之，是将信息"放置在模型擅长的位置"，让模型在能发挥优势的部分充分发力。最终效果与直接修改模型本身同样出色。