Databricks提出企業資料搜尋新方法，讓RAG更能遵循時間與來源等限制

Databricks提出Instructed Retriever方法，把系統規格納入搜尋與生成流程，企業問答評測回覆品質較傳統RAG提升逾70%，並已用於Agent Bricks的Knowledge Assistant

Databricks旗下Mosaic研究團隊公布Instructed Retriever研究，主張把系統規格（System Specification）帶入搜尋與回覆生成流程，讓企業搜尋代理更能遵循使用者指令。研究人員表示，在一套企業問答資料集組合的評測中，Instructed Retriever相較傳統RAG的回覆品質提升超過70%。

研究人員認為，企業情境常同時要求時間新鮮度、文件類型、資料來源範圍與回覆長度等限制，但多數RAG做法，只用使用者問題進行單步擷取，查詢生成後便難以保留這些規格，使得後續擷取與重排序往往回到文字相似度，容易忽略更細緻的意圖與資料來源差異。

Instructed Retriever的重點，是把系統規格當成工作管線必須遵守的共同前提，而不是只在一開始影響使用者問題的改寫。研究團隊將這些系統規格整理成三類，第一類是使用者指令，例如偏好近幾年的資料或排除某些品牌，第二類是標註範例，用來界定哪些文件在此任務中算相關或不相關，而第三類則是索引描述，也就是搜尋系統實際提供哪些欄位與中繼資料可用，讓代理知道什麼條件能被轉成可執行的過濾條件。

由於把自然語言的限制，轉換成可執行查詢，團隊強調代理需具備把複合需求拆解成多個搜尋子任務的能力，並能在指令脈絡下判斷相關性，同時把去年這類描述轉成時間戳記等欄位過濾條件。

在效果驗證上，Databricks以半結構化擷取基準STaRK（Semi-Structured Retrieval Benchmark）為基礎，建立StaRK-Instruct資料集，刻意把常見的企業需求納入問題裡，包括指定必須具備的條件、明確排除的條件，以及偏好較新的資料等，藉此檢驗模型能否產生同時包含關鍵字與欄位過濾的結構化查詢。

研究人員指出，與直接用原始問題去搜尋相比，改採指令式查詢生成後，StaRK-Instruct上的召回率可提升35%到50%，而在題目多半未特別註明時間新鮮度或排除條件等限制的StaRK-Amazon上，召回率也約提升一成。

Databricks已在自家Agent Bricks的Knowledge Assistant導入Instructed Retriever方法，用來打造可附引用來源的文件型問答聊天機器人。至於量化成效，研究團隊在多步搜尋代理評測中指出，Knowledge Assistant作為工具相較以RAG作為工具可帶來超過30%的品質提升，平均任務完成時間降低8%。