SRAG：具有结构化数据的 RAG 改进了向量检索

检索增强生成 (RAG) 以从矢量数据库或通过网络搜索检索的块的形式为 LLM 提供必要的信息基础。 RAG 还可以使用知识图三元组作为向 LLM 提供事实信息的手段。然而，检索仅基于问题和内容之间的代表性相似性。 RAG 的性能取决于查询和块的数值向量表示。为了改进这些表示，我们提出了结构化 RAG (SRAG)，它将结构化信息添加到查询以及主题、情感、查询和块类型（例如，信息、定量）、知识图三元组和语义标签形式的块中。实验表明该方法显着改善了检索过程。使用 GPT-5 作为 LLM-as-a-judge，结果表明该方法将问答系统中答案的得分提高了 30%（p 值 = 2e-13）（边界更严格）。最大的进步是在比较、分析和预测问题上。结果表明，我们的方法能够实现更广泛、更多样化和情景式的检索。尾部风险分析表明，SRAG 经常获得非常大的收益，而损失的幅度仍然很小。