💬 NLP

W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases

本文介绍了 W-RAG，这是一个源感知检索框架，它通过采用本体引导的检索和源级权重分配来解决异构企业知识库中全局排序的局限性，从而提高文档覆盖率和生成质量。

原作者： Hridya Dhulipala, Rajesh Ombase, Michael Wang, Tien N. Nguyen

发布于 2026-08-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Hridya Dhulipala, Rajesh Ombase, Michael Wang, Tien N. Nguyen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代职场中，编写如政策手册、合并报告或产品发布计划等复杂文档，通常需要从许多不同的地方汇总信息。一个团队可能需要同时查阅公司内部规则、科学研究论文、政府法规和市场新闻。为了解决这一问题，计算机科学家开发了一些系统，允许人工智能在写作前先查找事实。这种被称为“检索增强生成”（retrieval-augmented generation）的方法，就像是一个数字助手，阅读一整座文档图书馆，并利用这些笔记来起草回复。其目标是让 AI 更加准确且立足于现实，防止其捏造事实。然而，当这些系统试图同时从多种不同类型的“图书馆”中收集信息时，一个显著的问题出现了。

挑战在于，并非所有信息源都是平等的，它们在单一文档中所扮演的角色也各不相同。标准系统通常将它找到的每一段文本都视为在同一场比赛中竞争，纯粹根据词汇与用户问题的匹配程度来挑选顶尖结果。在企业环境中，这种方法往往会失效。它可能会引入数百页包含正确关键词的普通新闻文章，却完全忽略了来自特定政府法规或技术安全指南中的某一个关键段落。其结果是，生成的草案听起来流畅，却遗漏了使文档在法律或技术上有效的核心专业细节。AI 的“上下文窗口”会被某一类来源所占据，从而导致缺乏构建完整图景所需的多元证据。

研究人员 Hridya Dhulipala、Rajesh Ombase、Michael Wang 和 Tien N. Nguyen 着手解决这个特定的问题。他们提出了一种名为 W-RAG 的新框架，即“源感知检索”（source-aware retrieval）。该系统不再让所有图书馆的所有文档在一个大池子中互相竞争，而是组织了搜索过程。它首先识别文档所需的特定主题（例如“数据隐私”或“金融合规”），并使用结构化的概念图谱来寻找相关段落。接着，它不再将所有内容统一排名，而是在每个特定的图书馆内分别对最佳文档进行排序。最后，它为每个图书馆分配一个特定的“预算”，决定最终文档中有多少空间应由公司报告填充，多少由科学论文填充，以及多少由法律文本填充。这确保了最终的草案是证据的平衡组成，反映了任务的真实需求，而非仅仅取决于某个来源中可用的文本量。

为了测试这种方法是否奏效，该团队创建了一个专门针对此类企业写作的新数据集。他们构建了一百个真实的场景，范围涵盖了从起草医疗保健政策到准备并购报告等各种情况。对于每个场景，他们都构建了四个截然不同的信息库：一个包含公司备案和操作指南，另一个包含科学研究，第三个包含法律和监管文本，第四个包含市场新闻和行业报告。随后，他们要求 AI 根据这些混合来源编写文档。研究人员发现，那些仅仅从全局列表中挑选顶尖结果的标准系统表现得非常吃力。这些系统生成的文档往往虽然流畅但并不完整，因为它们忽略了较小的、专业化的图书馆，从而未能涵盖任务的强制性要求。

结果显示，当使用这种新的源感知方法时，情况发生了明显变化。通过迫使系统尊重每个知识库的不同角色，生成的文档质量得到了显著提升。与之前最好的方法相比，新方法的文档需求满足度提升了百分之五十以上；而与标准系统相比，提升幅度则超过了百分之百。它还确保了用于编写文档的信息来自于正确的来源组合，而不是向规模最大或文本量最丰富的图书馆倾斜。这项研究表明，对于复杂的现实世界写作任务而言，信息的选择和平衡方式与寻找信息的能力同样重要。通过仔细管理证据的构成，系统可以生成不仅具有事实依据，而且在结构上完整的草案，从而满足现代企业写作的多样化需求。

技术摘要：W-RAG —— 面向企业文档生成的源感知检索

问题陈述
检索增强生成（RAG）通过引入外部知识，提高了大语言模型（LLM）的事实依据性。然而，现有的 RAG 流水线依赖于全局排序机制，该机制假设来自多个异构知识库（KB）的证据可以使用单一的相似度函数进行评估。这一假设在开放域检索中成立，但在企业级文档生成中却并不适用。在企业环境中，知识库（如政策、法规、技术规范和部门指南）承担着截然不同的角色。全局排序往往会偏向规模更大、密度更高或词法占优的来源，从而抑制了较小但至用于关键的知识库。这会导致上下文窗口失衡，使得生成的文档缺乏特定领域的必要证据，从而导致生成的草案无法满足复杂的企业需求。

方法论：W-RAG 框架
作者提出了 W-RAG，这是一个旨在调节异构知识库间证据组成的源感知检索框架。该系统分为三个不同的阶段运行：

本体引导的候选文本检索：
W-RAG 不仅仅依赖语义相似度，而是利用领域本体从输入查询中提取结构化主题。它使用混合评分函数从每个知识库中检索候选文本块：
$R(c_{jk}) = f_{sim}(q, c_{jk}) + \lambda f_{ont}(T, c_{jk})$
其中 $f_{sim}$ 衡量语义相似度（嵌入向量的余弦相似度）， $f_{ont}$ 衡量与提取的本体主题的一致性。这确保了候选内容不仅在词法上相关，而且在主题上符合目标文档的要求。
源权重估计：
W-RAG 并不将所有候选内容合并为一个全局排名，而是为每个知识库估计一个特定的权重（ $w_j$ ）。该权重通过比较输入主题集与知识库的主题索引进行实时计算。其得分结合了：
- 主题重叠度： 主要驱动因素，衡量知识库与输入主题的匹配程度。
- 文档可用性： 一个倾向于覆盖范围更广的知识库的弱先验。
- 类别加分： 对粗粒度领域对齐的奖励。
  这些得分经过归一化处理，以确定每个知识库应贡献的总上下文预算（ $T_{total}$ ）的百分比。
加权上下文构建：
估计的权重被转换为每个知识库的 Token 预算（ $T_j$ ）。系统从每个本地排名的候选集中选择排名靠前的文本块，直到耗尽该知识库的特定预算。这些文本块被合并到一个单一上下文窗口（SCW）中，从而确保最终的提示词反映了来源的平衡组成，而非由单一知识库主导。

核心贡献

问题定义： 本文识别了现有 RAG 系统的一个关键失效模式：跨异构知识库的全局排序无法保留企业文档生成所需的源组成。
方法论创新： W-RAG 引入了一个结合本体引导检索、知识库内局部排序以及源级权重分配的框架，用以调节证据的组成。
新数据集与基准测试： 作者引入了一个用于检索增强型企业文档生成的新型数据集。该数据集包含 100 份涵盖四种类型（政策、产品发布、并购尽职调查、学术项目）和四个领域（人工智能/数字媒体、医疗保健、气候/可持续发展、金融）的各类需求文档。该数据集配有四个异构知识库（企业、科学、监管、市场/新闻），用于测试多源证据的合成能力。

实验结果
作者使用 GPT-4.1 作为生成器，并使用 Claude Sonnet 4.6 作为“LLM 作为评判者”（LLM-as-a-judge），将 W-RAG 与标准的 Vanilla RAG 以及本体引导 RAG（OG-RAG）基准进行了对比评估。主要发现包括：

性能提升： W-RAG 显著优于基准模型。相对于 OG-RAG，它在需求满足度（Requirement Satisfaction）上提升了 58.1%，在上下文相关性（Context Relevancy）上提升了 39.1%。相对于 Vanilla RAG，其提升幅度分别为 109.2% 和 96.4%。
源保真度： 研究通过测量“实现知识库保真度”来确定生成的文档是否反映了预期的来源分布。W-RAG 在规定的检索权重与生成文本中的实际来源归属之间表现出强一致性，其 Jensen-Shannon 散度得分显示出中等至强的一致性。
检索与生成的关系： 结果表明，仅靠高质量的检索并不一定能保证高质量的文档；来自多个来源的证据组成对于满足企业需求至关重要。

意义与主张
本文主张，标准的 RAG 假设并不完全适用于企业文档生成任务。通过显式管理检索上下文在不同知识库之间的分布，W-RAG 能够实现更忠实且完整的文档生成。作者认为，在多源企业环境中，“文档层面的证据组成”与“块层面的排序质量”同样重要。这项工作表明，要实现政策、合同和技术文档的可靠合成，必须从单纯的全局相似度排序转向源感知的分配。

局限性
作者承认，其评估依赖于一个相对较小的合成数据集，这可能无法完全捕捉真实世界企业环境中的规模和噪声。此外，评估指标涉及部分主观性，且该方法尚未在开放域或结构化程度较低的检索环境中得到验证。

技术摘要：W-RAG —— 面向企业文档生成的源感知检索

类似论文