结构化 RAG(S-RAG)与企业检索革新

AI21Labs 在 Maestro 中发布 Structured RAG(S‑RAG),用于提升企业级 RAG 的准确性与覆盖率。 • 传统 RAG 三大盲区:聚合查询、穷尽覆盖、密集语料噪声。 • 聚合查询难题示例:企业需汇总“子公司最大资本支出”,传统 RAG 算术/聚合能力不足。 • 穷尽覆盖示例:列出所有 2025年前到期且罚款超100万美元合同,嵌入检索概率性导致遗漏。 • 密集语料问题:财务字段重复导致嵌入相似性失效,检索噪声增多。 • S‑RAG 原理:自动推断或用户定义 schema,将非结构文本标准化并拆解为结构记录。 • 运行时:自然语言查询被翻译为 SQL 在关系库执行,直接返回精确数值而非模糊摘要。 • 混合检索:先用 SQL 过滤,再用嵌入式 RAG 处理叙述性问题(“结构+语义”组合)。 • 性能:在聚合查询上准确率提升约 60%,aggregative_questions 数据集上 S‑RAG ≥85%,嵌入式 RAG 约25%-40%。 • 覆盖性:穷尽覆盖查询接近 100% 召回;支持数百万文档处理并保持可审计性和透明链接回原文。 • 应用场景:财务聚合、合同审查、供应商比较、复杂工作流自动化。 • 对比与评价:Maestro 的混合 RAG 在 FinanceBench 等基准上优于传统 RAG 与 OpenAI Responses API。 • 设计治理:自动 schema 随文档演变适应并支持用户编辑以维持可控性和可追溯性。
Key insights
S‑RAG 把 RAG 从文本检索转为结构化推理引擎
S‑RAG 在 Maestro 中实现:系统在摄取阶段自动识别文档中反复出现的属性,推断或允许用户定义 schema,将非结构化文本标准化与拆解为结构化记录,并保留原文链接以保证透明性。运行时将自然语言查询翻译为 SQL 在关系数据库执行,直接返回精确数值(示例:Netflix 2017年当前负债的 SQL 查询示例),对聚合与精确计算类查询提供确定性答案。该观点基于对 S‑RAG 架构与运转流程的描述,强调“结构化先行、语义后补”的检索策略。
混合检索(SQL+嵌入)提升召回与鲁棒性
S‑RAG 采用混合检索机制:先用结构化查询(SQL)过滤大规模数据集以保证穷尽性,再对剩余项使用嵌入式语义检索处理复杂叙述问题。该混合策略旨在避免纯嵌入检索在密集、重复财务文档中的噪声问题,同时保留对自由文本问题的处理能力。基准显示在聚合问题上 S‑RAG 的准确率显著高于传统嵌入式 RAG,并在穷尽类查询上接近 100% 召回。
传统 RAG 在企业场景的三大具体局限
传统基于嵌入的 RAG 在企业级应用面临三类明确问题:一是聚合查询难以生成完整、可审计的聚合结果(示例:跨子公司 ARR 聚合);二是检索概率性导致穷尽覆盖不可保证(示例:筛出所有特定罚款与到期合同);三是在密集语料(如财务表述反复出现)中嵌入相似性失效,检索噪声增多并淹没相关信息。文章以基准测试量化这些缺陷,聚合查询准确率传统 RAG 仅约 40%。
经济与工程层面的检索进化论:RAG 并未被长上下文替代
LightOnIO 的分析指出:长上下文窗口并不能彻底替代 RAG,原因包括注意力稀释、成本与延迟问题。RAG 在智能体化时代通过“何时检索、检索什么、从哪里检索、如何检索”的条件化策略(IF/WHAT/WHERE/HOW)进化为动态决策模块,多模态检索与预计算元数据也是其升级要素。
S‑RAG 在基准测试中大幅优于传统方法
公开基准(如 FinanceBench、aggregative_questions)显示:在聚合问题上 S‑RAG 的准确率可达 85% 以上,而嵌入式 RAG 在同类测试中仅约 25%-40%;S‑RAG 在穷尽覆盖查询中接近 100% 召回,验证了结构化先行策略在企业审计与合规场景中的效果。
企业部署与治理能力是 S‑RAG 的核心价值
S‑RAG 在处理海量文档时保持高效并保留原文链路,支持自动 schema 适应和用户编辑,减少黑箱风险并提升可审计性。其实际影响包括:支持复杂工作流(财务趋势分析、合同审查、供应商比较)并将 RAG 从文本生成工具提升为决策智能体。