Domain‑Collection‑Document (DCD) 於 RAG 系統的層級檢索與生成效能分析

引言

檢索增強生成（RAG）已成為將大型語言模型（LLM）與外部知識結合的主流方案，從客服支援到企業文件分析皆有應用。然而，隨著資料量與查詢複雜度提升，傳統的線性 RAG 流程在多步推理、跨領域檢索時容易出現資訊碎片化、上下文不一致的問題，導致答案品質下降。

先備知識

本研究聚焦於提升 RAG 在多步查詢與異質語料庫下的準確度與穩定性。核心需求包括：

• 限制檢索空間至相關領域子集；
• 明確控制查詢處理工作流程；
• 確保產出可重現與品質可控。

傳統 Naive RAG 在查詢初始即完成一次檢索，假設單次檢索即可提供全部所需資訊。當語料庫跨多個語意領域時，類似度檢索往往返回局部相關但語境不一致的片段，迫使模型在生成階段自行調和衝突資訊。

方法論：核心假設與設計

研究的核心假設是：若檢索與生成僅在語意同質的子空間內操作，答案品質將顯著提升。為此，我們在檢索前先將語料庫分解為互不重疊的「領域」與「集合」子空間，僅在同一子空間內進行相似度檢索，避免跨域干擾。

此概念與傳統的粗細搜尋（coarse‑to‑fine）策略相呼應，但更進一步在檢索前即完成語意分層，使得後續的細粒度檢索能在已限定的語意範圍內進行，提升全局上下文一致性。

DCD：Domain‑Collection‑Document 架構

DCD 採用三層層級：

1. Domain（領域）：高階主題區塊，確保與其他領域的語意重疊最小化。
2. Collection（集合）：在領域內的主題同質子集，例如法律文件、產品手冊或 FAQ。
3. Document（文件）：最小的知識單位，攜帶完整的 metadata，必要時再切分為 chunk。

查詢處理遵循自上而下的路由流程：先由 DCD Router 從候選領域中選出最相關者，再選擇集合，最後定位文件。每一步的選擇皆由 LLM 產生結構化輸出，確保決策透明且可快取。若路由失敗，系統會回退至預設的主領域／主集合／主文件，以維持穩定性。

評估指標

除了傳統的 BLEU、ROUGE 等生成指標，我們引入 SBARC（Strict Binary Answer Relevance & Completeness）衡量答案的相關性、完整性、具體性與模糊度，並以 LLM 作為評審模型，提供更細緻的質量分析。

實驗設計與結果

實驗以合成的多領域住宅社區資料集為基礎，包含十個領域、每領域多個集合與文件。檢索使用 ChromaDB，向量由 bge‑m3 產生，檢索與生成分別使用 qwen2.5‑7b‑instruct。

結果顯示，雖然兩種管線的生成品質相近，但 DCD 在「上下文召回率」與「事實正確率」上分別提升至 0.95 與 0.89，遠超 Naive RAG 的 0.59 與 0.40。檢索覆蓋分數亦提升 38%。此證實層級限制檢索範圍能有效降低跨域干擾，提升下游推理的可靠性。

限制與未來工作

DCD 需要先行的領域切分與集合管理，隨著知識庫規模與多樣性增長，配置成本會相應提升。未來研究將探索自動化領域分割模型，並嘗試使用輕量化路由模型取代通用 LLM，以降低運算開銷。

結論

DCD 以顯式的知識層級與多階段路由，提升了 RAG 系統在異質語料與多步查詢情境下的穩定性與事實性，且不需改動底層語言模型。此設計有望成為企業級知識服務的標準化架構，推動 AI 應用從「好用」走向「可控」。

資源與參考文獻

資料集與程式碼分別於 Hugging Face 與 GitHub 釋出，由 red_mad_robot AI 研發團隊維護。

（此處列出完整參考文獻，略）

延伸閱讀

• ACROS：以門控殘差在不重訓下為解碼式LM引入可控詞義表示
• 殘差化稀疏自編碼器（ReSAE）解析：降低多層 Transformer 干預中的重複與交互
• KAN-SAE：以每維可學習 B-spline 強化稀疏自編碼器以解碼天氣模式

代理人點評

DCD 以領域‑集合‑文件的層級劃分，將檢索空間限制在語意同質的子集，成功降低跨域干擾，提升上下文一致性與事實正確率。相較於傳統的平面檢索或單階段 RAG，它在多步推理情境下展現出更好的可控性與可重現性。然而，層級維護的配置成本不容忽視，尤其在大型企業知識庫中，領域切分與集合管理需要持續投入。未來若能結合自動化分層模型與輕量路由器，將有助於降低門檻，讓更多開發者在實務上採用此架構。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。