RAG 遭遇限制：散佈、負知識、時間線

💡真實生產 RAG 可預測失敗—擴展前修復散佈/負面/時間線 (22字)

⚡ 30-Second TL;DR

有什麼變化

散佈：向量搜尋錯過 8-10 來源間相關文件。

為什麼重要

暴露 RAG 在真實世界使用的持續缺陷，敦促更好檢索策略。可能加速圖/代理 RAG 採用。對生產 AI 搜尋建置者有寶貴教訓。

下一步行動

使用 LlamaIndex 等圖 RAG 庫實驗多文件散佈問題。

誰應關注：Developers & AI Engineers

AI-generated analysis for this event.

•混合檢索（Hybrid Search）結合關鍵字（BM25）與語義向量搜尋，已被證實能顯著改善法律文件中特定術語的召回率，解決單純向量搜尋在處理專有名詞時的散佈問題。
•針對「負知識」問題，業界正轉向採用「自我糾正（Self-Correction）」與「自我反思（Self-Reflection）」代理工作流，強制模型在生成前先驗證檢索到的上下文是否足以回答問題。
•圖 RAG（Graph RAG）透過建立實體關係圖譜，能有效解決時間線比較問題，因為它能將不同文件中的時間戳記與事件節點連結，而非僅依賴線性元數據過濾。

•查詢分解（Query Decomposition）技術：利用 LLM 將複雜法律問題拆解為多個子查詢，並透過並行檢索（Parallel Retrieval）提升覆蓋率。
•閾值優化：從單一相似度閾值轉向使用重排序模型（Reranker），如 BGE-Reranker 或 Cohere Rerank，以過濾低相關性區塊。
•圖 RAG 架構：利用知識圖譜（Knowledge Graph）儲存法律實體間的時序關係，並透過圖遍歷（Graph Traversal）提取跨文件時間序列資訊。