Vector RAG vs LLM-Compiled Wiki: A Preregistered Comparison on a Small Multi-Domain Research
向量RAG与LLM编译Wiki在小规模多领域研究语料上的预注册对比
🧭 RAG架构对比与知识合成优化
AI for Altruism (A4A)
首次定量对比发现Wiki在跨论文合成与引用支持上优于RAG，但成本高；分解式RAG可低成本恢复部分优势
📌 工作参考价值（4 点）
- 在电商知识库问答中，若需跨商品/多源信息合成（如对比评测），可借鉴Wiki预编译思路构建内部知识图，但需权衡高昂的查询token成本与构建开销。
- 对成本敏感的业务，优先考虑分解式RAG（将问题拆解为子问题分别检索），既能提升跨文档合成效果又保持较低LLM调用成本，适合部署在实时客服或推荐解释生成中。
- 引用的精确性评价不可只看整体有据性，需引入逐项引用检查机制，确保每一条声明都精准对应来源，这对电商合规回答至关重要。
- 架构选择无银弹，应针对业务侧重点（证据组织、引用支撑、查询成本）做有针对性地选型，可设计混合式系统动态路由。