拋棄傳統相似度搜尋：用「影響範圍」重新排序檢回結果以大幅提升 LLM 準確率

• 傳統的 相似度搜尋 雖然能找出表面上合理的內容片段，卻經常導致大型語言模型給出錯誤答案。 • 開發團隊借鏡事故分級的概念，提出以 影響範圍（blast radius）作為檢索排序的新標準。 • 新方法不再依賴原始的餘弦相似度，而是改為評估最終答案有多大程度取決於該候選片段。 • 具體作法是先抓出前 50 個候選項目，再依據其關聯性與依賴程度進行重新排序。 • 實測結果顯示，這種排序機制的調整，比更換任何 嵌入模型（embedding swap）更能顯著提升評測集的答案準確度。

改善檢索系統的關鍵不在於找到最像的資料，而在於找出對最終答案最具決定性的關鍵內容。