Structured RAG：企業級RAG 準確性的關鍵突破 在處理複雜企業資料時，傳統RAG 往往因準確性和完整性不足而暴露風險，@AI21Labs 發布的Structured RAG（結構化RAG，簡稱S-RAG）透過結構化資料處理和混合檢索機制，提供更可靠的答案產生。 傳統RAG 的「盲點」：為什麼企業級應用不可靠？ RAG 已廣泛用於將外部文件注入LLM 以提升生成品質。但在企業場景中，它面臨三大挑戰，這些問題源自於其核心機制－基於嵌入向量的語意檢索（embedder-based RAG）： 1. 聚合查詢難題：企業常需彙總數據，如「去年所有子公司中的最大資本支出是多少？」。傳統RAG 僅檢索相似文本片段餵給LLM，後者只能進行有限的算術推理，容易遺漏關鍵過濾、比較或聚合步驟，導致答案不完整或錯誤。 2. 窮盡覆蓋需求：如「列出所有2025年前到期的合同，罰款超100萬美元」。 RAG 的檢索是機率性的，僅傳回「相似」子集，無法保證全覆蓋。這在合規審計中可能釀成重大風險，遺漏一項就可能違反法規。 3. 密集語料陷阱：企業文件（如財務報告或監管文件）往往高度重複、屬性密集（如「total liabilities」 反覆出現）。嵌入相似性在此崩潰，檢索出大量噪音文檔，淹沒真正相關訊息，答案準確率大幅下降。 這些盲點並非技術瑕疵，而是RAG 設計初衷（處理鬆散、敘述性文字）與企業需求（精確分析、審計可追溯）的錯位。文章用基準測試佐證：在聚合查詢資料集上，傳統RAG 準確率僅約40%，遠低於企業容忍閾值。 Structured RAG：從非結構到精確推理的轉變為破解這些難題，引入S-RAG 作為「準確度修復」。 S-RAG 不是簡單疊加，而是將RAG 從純文字檢索轉向結構化資料庫驅動的推理框架。它在AI21 Maestro 企業AI 編排系統中實現，支援處理數百萬份文件。 工作原理簡述： · 攝取階段：系統自動分析文檔，識別recurring patterns（如財務報告中的「revenue」和「operating expenses」屬性），推斷或使用者自訂schema。然後，將非結構文字標準化（如將「1,000,000」統一為數字）和拆解為結構化記錄，同時保留原始文字連結以確保透明。 · 執行時期擷取：自然語言查詢被翻譯為SQL 語句執行於關聯式資料庫。例如，查詢「Netflix 2017年當前負債」可產生SQL：SELECT current_liabilities / 1000000 FROM SEC_Report WHERE company_name = 'netflix' AND fiscal_year = 2017，直接傳回精確值（如0.45億美元），而非模糊文字摘要。 · 混合檢索機制：並非所有查詢都適合結構化（如敘述性問題）。 S-RAG 先用SQL 縮小資料集（過濾無關項），再切換嵌入式RAG 處理複雜文字。這種「結構+語意」組合，避免了純嵌入的雜訊和遺漏。 優勢與效能驗證：從答案到決策的躍升 S-RAG 的核心價值在於將RAG 從「生成工具」提升為「決策智能體」。幾個優勢： · 準確率飆升：在聚合查詢上，提升60%；窮盡覆蓋查詢接近100%召回。基準測試（如FinanceBench 資料集）顯示，Maestro 的混合RAG 優於傳統RAG 和OpenAI Responses API，尤其在密集語料中表現突出。 · 企業級穩健性：自動schema 適應文件演進（如新監理要求），支援使用者編輯，確保控制。處理大量資料時，仍保持高效率和透明，減少「黑箱」風險。 · 實際影響：不止於答案生成，還能賦能複雜工作流程，如金融趨勢分析、供應商比較或合約審查。文章舉例：在子公司ARR 查詢中，S-RAG 精確聚合數據，避免傳統RAG 的「部分資訊」陷阱。 效能圖表進一步量化：在aggregative_questions 資料集，S-RAG 準確率達85% 以上，而嵌入式RAG 僅25%。
