用途：在长上下文、RAG 或多文档问答场景中，按“开头/中部/结尾”显式组织上下文片段，缓解模型对中部信息利用不足的问题。依据 Liu et al., 2023《Lost in the Middle: How Language Models Use Long Contexts》的思路进行编排。
主要能力：接收 query、chunks（含 id、text、score，可选 tokens、meta.summary）、max_context_tokens、mode（如 qa_multi_doc、key_value_retrieval）与 position_bias_strategy（edge_priority、uniform、middle_boost）；按相关性排序，划分高/中低重要度，构建三段上下文：Section A 关键事实（开头）、Section B 扩展上下文（中部，多为摘要）、Section C 关键事实复述（结尾），交替在 A/C 放置高重要度片段；按 token 预算裁剪并说明被截断内容；必要时生成简短摘要；输出结构化提示（含 System、任务说明、A/B/C、Question、期望输出），可按需输出 JSON debug_info（各段 ID 与剩余 token 估算）。
使用方式：激活场景为用户提及长上下文、长窗口位置性能下降、“Lost in the middle”、RAG、multi-doc QA，或需从多文档/chunks 构建长提示、评估改进既有上下文编排/RAG 管线。输入需明确 chunks 格式与预算，缺失时应先向用户确认。若仅有短文本或单一小文档，通常无需使用。
限制：不执行最终模型推理；文档未提供具体模型、平台、价格或效果数据；实践效果依赖输入 chunk 质量、评分与 token 估算，文档给出的 top_k≈8、tokens≈词数×1.3 仅为示例性启发式。