检索增强生成（RAG）是利用大语言模型（LLM）生成准确、无幻觉答案的关键技术。虽然 LLM 在处理长上下文方面已有显著提升，但仍面临“中间信息丢失”问题，因此高精度检索尤为重要。现有检索器通常将长文档切分为固定长度的块，这会丢失语料库中丰富的全局语义结构。
我们提出了全新的检索系统 STAIR，它让 LLM 能够利用文档的全局结构（如目录 Table of Contents，ToC）在模型参数中高效存储与检索信息。通过对微调的可微搜索索引（Differentiable Search Index，DSI）进行细致消融实验，发现引入 ToC 能显著降低幻觉率（<0.05%），并在训练样本极少的情况下仍保持良好泛化能力。
为推动基于 ToC 的检索研究，我们发布了 SearchTome 基准，涵盖 18 本书、6 大领域的多样化数据。实验表明，STAIR 在 SearchTome 上的 Recall@1 达到 82.6%，显著优于 DSI（76.9%），且差异具统计显著性。相较于 BM25（59.5%）和 DPR（68.7%），以及开箱即用的 Mistral（13.8%），STAIR 也表现更佳。
点评：STAIR 通过利用文档目录等全局结构，实现了低幻觉、高召回的检索效果，为 RAG 系统提供了新的方向，且其在少样本场景下的鲁棒性值得进一步探索。