RAG变轻了，Corpus2Skill:告别检索，直接导航企业知识库

传统 RAG检索增强生成的核心逻辑是——用户提问 → 向量检索 → 拼接上下文 → LLM 生成答案。这套流程存在一个结构性缺陷LLM 从来看不到知识库的全貌。打个比方你问怎么把个体户改成 LLC这个问题横跨账户类型、支付配置、法律实体管理三个板块。但传统 RAG 只会把最靠近 query 向量的 Top-K 段落丢给模型很可能漏掉那篇关键文章——“账户类型不可直接修改需联系客服”。模型不知道知识库里还有什么、没检索到的内容是否更重要、已检索的片段之间有何关联。它是一个被动的搜索结果消费者规划和推理能力完全闲置。即便是 Agentic RAG让 LLM 迭代发起多次搜索Agent 也像在黑暗中摸索——没有地图每次搜索都是一次盲猜。核心方案本文提出的 Corpus2Skill 框架核心思想只有一句话不要让 Agent 去搜索而是给它一张地图让它自己导航。整个框架分为两个阶段离线编译阶段把文档语料库一次性转化为一棵层级化的技能目录树流程如下文档加载与向量化读取所有文档.md/.txt/.json为每篇生成语义嵌入向量。迭代层级聚类用 K-Means 对向量做聚类分支因子 p 控制每层节点数对每个聚类LLM 生成主题摘要摘要再向量化继续聚类直到顶层簇数 ≤ K。整个过程是一个嵌入 → 聚类 → 摘要的循环类似 RAPTOR 的递归树构建但关键区别是每个文档只归属一条路径硬分配并且物化为文件系统而非扁平向量索引。标签生成为每个非叶节点生成 2-5 个词的文件系统安全标签如wix-commerce-monetization既是人类可读的目录名也是 Agent 做主题路由的语义入口。目录树构建层级物化为文件结构——根簇 →SKILL.md含子组概览子簇 →INDEX.md含文档 ID 和摘要全文存在外部documents.json中。导航文件通常 2KB保持 Agent 每步的 token 开销很低。以 WixQA 语料库6,221 篇文档为例p10、K7 的设定产出 3 层树结构、6 个顶层技能、665 个导航文件编译耗时仅 6.5 分钟。在线服务阶段编译好的技能目录上传至 Skills API利用渐进式披露机制Agent 通过两个工具完成导航code_execution文件浏览查看 SKILL.md 和 INDEX.mdget_document(doc_id)按 ID 拉取文档全文典型查询流程仅需 2-3 轮Agent 从预加载的技能描述中选定最相关的技能读取 SKILL.md 了解子组结构导航进入相关子组的 INDEX.md浏览文档标题和摘要调用 get_document 获取最有希望的文档综合生成答案由于层级结构是显式可见的Agent 能做到两件扁平检索做不到的事回溯放弃死胡同回到分叉点选另一条路和跨分支综合从同一技能下的多个子组中拼接证据。图4展示了一个直接导航的案例——Agent 从商业变现技能出发经支付生态 → 账户管理路径4 步找到正确文档。图5则展示了跨分支导航——Agent 先查在线课程子组发现货币设置是站点级配置于是回溯到账单文档子组找到完整说明。实验结果在 WixQA 企业客户支持基准上Corpus2Skill 与五种基线对比指标Corpus2Skill最强基线提升幅度Token F10.460Agentic 0.38819%Factuality0.729Agentic 0.724—Context Recall0.652RAPTOR 0.6166%值得注意的是层次化方法RAPTOR、Corpus2Skill整体大幅优于扁平检索BM25、Dense、Hybrid验证了层级组织对答案质量的增益。成本方面Corpus2Skill 每次查询约 $0.17Agentic 的 1.75 倍、RAPTOR 的 14 倍但输出 token 仅为 Agentic 的一半左右——导航到正确文档后答案更精准、更精炼。消融实验的关键发现树形结构窄而深p54 层略优于默认设定宽而浅p20仅 2 个顶层技能质量暴跌——SKILL.md 摘要变得过于笼统Agent 无法有效路由。探索预算即使只允许 5 轮交互F1 仅下降 1.5%。层级结构组织得当Agent 很少需要深度探索。服务模型选择换用更便宜的模型成本减半F1 仅降 8%但 Context Recall 反而上升——说明编译出的技能树质量才是核心驱动力而非导航模型的聪明程度。一句话总结Corpus2Skill 的本质是一种“编译时换查询时”的设计哲学把计算成本前置到离线编译阶段将文档语料蒸馏成一棵 Agent 可直接导航的技能目录树从而在查询时摆脱对嵌入搜索的依赖让 LLM 的推理能力真正发挥出来。这篇工作的启示不仅限于 RAG 领域——当我们给 LLM 一张好的地图时它比我们想象的更会找路。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】