結構化索引：AI 代理如何回答關於您文件的「數量」問題

詢問「你們有多少？」，代理程式會根據它恰好檢索到的四個段落來回答。要求提供連結，它可能會給你一個真實的連結，但屬於不同的項目——連結可以開啟，圖片可以渲染，不會出現錯誤。以下是發生這種情況的原因，以及如何阻止它：

每份文件都擁有一個顏色。在左側——即當前的檢索方式——答案的標題來自一份文件，而其連結來自另一份文件，顏色會立即暴露這種不匹配。在右側，每個檢索到的片段都攜帶其自身文件的資訊，而連結根本就不是連結：它是一個佔位符，模型在從未看到地址的情況下複製了它。真實的值在輸出時進行替換，因此沒有東西會混淆。

檢索找到段落；它看不到整個集合

向量搜尋基於相似度運作：你的問題變成空間中的一個方向，最接近它的段落會被返回。這對於「這關於 X 說了什麼」完全正確，而在結構上對於「有多少」、「哪些少於 200 字」或「每類別有多少」毫無用處——這些是關於整個集合的問題，而檢索只查看最近的幾個段落。

無論如何調整都無法解決這個問題。沒有一個閾值能讓相似度搜尋返回總數，因為總數不是一個段落。

第二個，較安靜的失敗：一個片段不是一份文件

長文件被分割成片段，以便檢索能找到正確的段落。但是你的標題、你的產品代碼、你的連結和你的圖片位於標頭——這意味著它們位於片段 1，而實際回答問題的段落可能是片段 7。

因此，模型最終持有來自三到四份不同文件中的四到五個片段，它必須弄清楚哪個連結屬於哪個標題。它會猜測。當它猜錯時，答案看起來並沒有錯：連結是真實的，它可以開啟，圖片可以渲染——它只是屬於另一個項目。沒有錯誤。沒有人注意到。

在一個包含 4,500 份文件的目錄中，20 個測試答案中有 11 個將標題與另一份文件的連結配對。使用上述的佔位符機制，同樣的 20 個答案全部正確返回。

什麼是結構化索引

它是一個小表格，每份文件一行，基於你的文件已經包含的欄位建立。沒有發明任何東西，也沒有重寫任何東西——值是逐字複製出來的。

有了它，代理程式有兩種回答方式，而不是一種：

問題	由...回答
「你們有關於恐龍的東西嗎？」	向量搜尋
「你們有多少？」	表格
「關於恐龍的東西，適合五歲兒童」	表格篩選，向量搜尋排名
「連結和封面圖片是什麼？」	表格，逐字引用

你不定義欄位，但你擁有最終決定權

平台會閱讀你的幾份文件，提出欄位建議，然後在保留之前針對你的整個集合驗證每個欄位。只在你的五分之一文件中出現的欄位會被刪除並報告，因為基於它進行篩選會靜默地省略其餘部分。

你有兩種輸入類型：

哪些欄位必須是精確的。 哪個連結是發送給客戶的連結，三個代碼中哪一個是他們會向你引用的——你的數據沒有說明這一點，也無法推斷出來。提前命名它們，它們就會被逐字提取並逐字引用。

用普通語言進行的更正。 「也要追蹤作者，以便人們可以找到他們的其他書籍。」「我想按插畫家篩選。」「刪除封面連結。」更改是作為對現有表格的修補程式提出的，而不是重寫，因此關於一個欄位的請求不會干擾另一個欄位。要求你的文件不包含的內容——例如從未在匯出中出現的出版年份——它會告訴你，而不是添加一個空欄位。

它還告訴你關於你自己數據的事

因為每個欄位在接受之前都會針對整個集合進行測量，所以報告經常揭示無人知曉的事情。在一個包含數千種標題的真實目錄上，它發現十分之一的標題頁數為零——不是短書，而是將缺失值記錄為零，這會拉低每個平均值並產生「最短」的平局。

這個檢查必須在某處發生。今天，它通常在客戶注意到錯誤答案時發生。

當它不適用時

如果你的文件是散文——文章、逐字稿、通信——就沒有東西可以制表，平台拒絕建立索引，而不是建立一個由所有不同值組成的索引。這樣的表格無法以有意義的方式進行計數或分組，擁有它只會引發它回答不佳的問題。

向量搜尋仍然是該材料的正確且唯一的工具。