RAG变轻了，Corpus2Skill:告别检索，直接导航企业知识库

传统 RAG（检索增强生成）的核心逻辑是——用户提问 → 向量检索 → 拼接上下文 → LLM 生成答案。这套流程存在一个结构性缺陷：LLM 从来看不到知识库的全貌。

打个比方，你问"怎么把个体户改成 LLC"，这个问题横跨账户类型、支付配置、法律实体管理三个板块。但传统 RAG 只会把最靠近 query 向量的 Top-K 段落丢给模型，很可能漏掉那篇关键文章——“账户类型不可直接修改，需联系客服”。

模型不知道知识库里还有什么、没检索到的内容是否更重要、已检索的片段之间有何关联。它是一个被动的搜索结果消费者，规划和推理能力完全闲置。

即便是 Agentic RAG（让 LLM 迭代发起多次搜索），Agent 也像在黑暗中摸索——没有地图，每次搜索都是一次"盲猜"。

核心方案

本文提出的 Corpus2Skill 框架，核心思想只有一句话：不要让 Agent 去搜索，而是给它一张地图，让它自己导航。

整个框架分为两个阶段：

离线编译阶段

把文档语料库一次性转化为一棵层级化的"技能目录树"，流程如下：

1. 文档加载与向量化：读取所有文档（.md/.txt/.json），为每篇生成语义嵌入向量。
2. 迭代层级聚类：用 K-Means 对向量做聚类，分支因子 p 控制每层节点数；对每个聚类，LLM 生成主题摘要；摘要再向量化，继续聚类，直到顶层簇数 ≤ K。整个过程是一个"嵌入 → 聚类 → 摘要"的循环，类似 RAPTOR 的递归树构建，但关键区别是：每个文档只归属一条路径（硬分配），并且物化为文件系统而非扁平向量索引。
3. 标签生成：为每个非叶节点生成 2-5 个词的文件系统安全标签（如wix-commerce-monetization），既是人类可读的目录名，也是 Agent 做主题路由的语义入口。
4. 目录树构建：层级物化为文件结构——根簇 →SKILL.md（含子组概览），子簇 →INDEX.md（含文档 ID 和摘要），全文存在外部documents.json中。导航文件通常 < 2KB，保持 Agent 每步的 token 开销很低。

以 WixQA 语料库（6,221 篇文档）为例，p=10、K=7 的设定产出 3 层树结构、6 个顶层技能、665 个导航文件，编译耗时仅 6.5 分钟。

在线服务阶段

编译好的技能目录上传至 Skills API（利用渐进式披露机制），Agent 通过两个工具完成导航：

• code_execution（文件浏览）：查看 SKILL.md 和 INDEX.md
• get_document(doc_id)：按 ID 拉取文档全文

典型查询流程仅需 2-3 轮：

1. Agent 从预加载的技能描述中选定最相关的技能，读取 SKILL.md 了解子组结构
2. 导航进入相关子组的 INDEX.md，浏览文档标题和摘要
3. 调用 get_document 获取最有希望的文档，综合生成答案

由于层级结构是"显式可见"的，Agent 能做到两件扁平检索做不到的事：回溯（放弃死胡同，回到分叉点选另一条路）和跨分支综合（从同一技能下的多个子组中拼接证据）。

图4展示了一个直接导航的案例——Agent 从"商业变现"技能出发，经"支付生态 → 账户管理"路径，4 步找到正确文档。

图5则展示了跨分支导航——Agent 先查"在线课程"子组，发现货币设置是站点级配置，于是回溯到"账单文档"子组找到完整说明。

实验结果

在 WixQA 企业客户支持基准上，Corpus2Skill 与五种基线对比：

值得注意的是，层次化方法（RAPTOR、Corpus2Skill）整体大幅优于扁平检索（BM25、Dense、Hybrid），验证了层级组织对答案质量的增益。

成本方面，Corpus2Skill 每次查询约 $0.17（Agentic 的 1.75 倍、RAPTOR 的 14 倍），但输出 token 仅为 Agentic 的一半左右——导航到正确文档后，答案更精准、更精炼。

消融实验的关键发现

1. 树形结构：窄而深（p=5，4 层）略优于默认设定；宽而浅（p=20，仅 2 个顶层技能）质量暴跌——SKILL.md 摘要变得过于笼统，Agent 无法有效路由。
2. 探索预算：即使只允许 5 轮交互，F1 仅下降 1.5%。层级结构组织得当，Agent 很少需要深度探索。
3. 服务模型选择：换用更便宜的模型，成本减半，F1 仅降 8%，但 Context Recall 反而上升——说明编译出的技能树质量才是核心驱动力，而非导航模型的"聪明程度"。

一句话总结

Corpus2Skill 的本质是一种“编译时换查询时”的设计哲学：把计算成本前置到离线编译阶段，将文档语料蒸馏成一棵 Agent 可直接导航的技能目录树，从而在查询时摆脱对嵌入搜索的依赖，让 LLM 的推理能力真正发挥出来。

这篇工作的启示不仅限于 RAG 领域——当我们给 LLM 一张好的"地图"时，它比我们想象的更会"找路"。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】