PRIME 是一个针对检索端的优化框架，包含两条互补路径。第一条是由大模型驱动的语义重构（Semantic Restructuring，SR），将长文档拆解为结构化、信息密集的章节；第二条是确定性元数据合成（Metadata Synthesis，MS）与层次检索（Hierarchical Retrieval，HR），通过抽取语义锚点和标题层级实现粗到细的章节检索。
实验表明，确定性元数据的检索质量与结构感知分块相当，却将嵌入计算量降低 45.8 倍，索引向量数量削减 22.4 倍。在此基础上，语义重构进一步提升 Answer‑F1 13.7%。在 QASPER、BRIGHT 和 NFCorpus 三个基准上，我们划分出三种定性区间，说明何时索引端优化有利或有害，并发现强力重排序器可以抵消这些影响。
PRIME 的核心思想是把文档的结构信息显式化，使检索系统在查询前即可利用高质量的索引向量进行粗排，从而显著降低计算成本并提升检索精度。
点评