摘要
RAG系统依赖于分块处理，导致文档中的结构信息被破坏。现有的基于标题的检索方法（Jeong et al., 2025）需要对每个文档进行多次LLM调用，并返回匹配部分中的子块。我们提出了一种基于目录（ToC）引导的页面检索方法，它通过视觉格式推断标题，无需LLM调用，将其嵌入为并行索引，并加载完整页面部分。
在对8份企业文档（5到195页）进行的1,280种条件下，我们发现：
- 目录对答案质量有显著影响（d = +0.41, p = 0.031），在完整性（+0.40）和有用性（+0.40）方面的增益最大；
- 结合答案端验证时，其性能优于查询端分解+验证（d = +0.32, p = 0.036）；
- 尽管每个查询仅增加2.9页，目录提供了20%的引用；
- 在较长文档上增益更显著（在118页文档上可达+1.50），但在8份文档上这一趋势未达到显著性；
- 480种条件的敏感性分析未发现显著的参数效应（全部 p > 0.38），确认默认设置接近最佳。
本研究的贡献在于方法论（一种新的零LLM成本的检索算法）和实证：提供了文档端、查询端和答案端增强互补性的因素证据，这是之前未曾研究的三方交互。
博主点评： 这一研究展现了在RAG系统中如何有效利用文档结构信息，提出的ToC引导检索方法不仅降低了LLM调用的成本，同时提高了答案质量，具有重要的实际应用价值。