大型语言模型在高风险领域的应用常因“幻觉”问题受阻。一项针对公共健康政策文档的研究，通过构建双层检索管道，实证了优化检索架构对提升答案准确性的决定性作用。该方案在保证事实依据方面效果显著，为构建高可靠性RAG系统提供了新思路。
智能速览
Advanced RAG架构在政策问答中忠实度得分高达0.797。
Cross-Encoder重排能将检索精度从65-80%提升至85-90%。
引入交叉编码器可带来28%的相对忠实度改进。
交叉编码器能精准捕捉“must”与“should”等法律术语的细微差别。
当前文档分块策略是影响系统推理能力的瓶颈。
精华内容
实验数据清晰地揭示了检索架构复杂度与答案质量之间的正比关系。通过引入Cross-Encoder重排，Advanced RAG架构在事实准确性上实现了质的飞跃。
架构效果对比
研究对比了Vanilla LLM、Basic RAG和Advanced RAG三种架构。实验结果明确显示，架构的复杂度与答案质量正相关。Advanced RAG架构在忠实度指标上得分高达0.797，显著优于Basic RAG的0.621，更是远超Vanilla LLM的0.347。这证明了优化的检索管道在抑制幻觉、确保答案基于事实方面的巨大价值。
重排关键作用
Advanced RAG的核心优势在于引入了Cross-Encoder重排机制。该模型通过token级的注意力，能够联合编码查询与候选文档，从而有效过滤掉语义相关但实际无关的片段。定量分析表明，交叉编码器的介入使检索精度从65-80%提升至85-90%，并带来了28%的相对忠实度改进。这对于要求高准确性的场景至关重要。
法律术语解析
在处理复杂的政策文件时，对关键词汇的精确理解是合规性分析的基础。研究发现，Cross-Encoder能够精准捕捉“must”与“should”等关键法律术语的细微差别。这种深度语义理解能力是传统的向量检索模型难以企及的，确保了生成内容严格基于权威证据，减少了因误解指令而产生错误的风险。
未来改进方向
尽管Advanced RAG表现出色，但研究也指出了当前系统的瓶颈：文档分块策略。简单的分割方法可能会破坏政策文件的内在逻辑结构，进而影响模型的多步推理能力。这提示未来的研究需要开发更具结构感知能力的分块技术，以进一步释放RAG系统在复杂文档问答中的潜力。
该研究为在政策等高精度要求领域部署RAG系统提供了关键基准。它证明，优化检索管道比单纯增强生成模型更有效。迈向零幻觉的目标，需要检索、排序等环节的协同进化。
