摘要
技术文档与普通文本语料库存在差异，这些差异使得基于检索的生成（RAG，Retrieval-Augmented Generation）变得复杂。对于某个问题的答案的线索通常分散在编号的条款、表格、图表、标题和有序的步骤中，而不会集中在一个段落中。标准的RAG流程通常将这些元素简化为独立的块。这会破坏追踪确切答案所需的文档间关联。我们提出了TechDocRAG，这是一个能够保留技术文档中信息关联的问答框架。该框架将每个文档表示为一个异构元素图，并为每个元素对齐三种检索视图：技术标识符、语义摘要和原始证据。在查询时，检索过程从基于标识符的召回开始，逐步过渡到摘要级的重排序和原始证据的整合。我们在四个基准测试中对TechDocRAG进行了评估，这些测试涵盖了产品手册、工程文档和长篇多模态PDF文件，共评估了7500多对问答对。在整个测试套件中，TechDocRAG的平均端到端得分比最强的扁平基线提高了20.3分，比最强的非扁平基线提高了9.3分。在带有证据注释的子集中，严格的原始证据命中率从0.510提高到了0.942。资源分析显示，其查询时间延迟与标准混合检索方法相当。鲁棒性测试表明，在关联丢失的情况下性能会逐渐下降，但对该框架中标识符的严重损坏非常敏感。总体而言，结果表明，对技术文档进行可靠的RAG依赖于保持证据可解释性的关联，而不仅仅是检索更多段落。
