您的商業資料並不模糊。別再把它們當成模糊資料來檢索。

向量 RAG 以相似度回答 "sales in France"。Structured RAG 把您的城市欄連到 wikipedia 中的國家資料表，問題就變成您看得懂的 SQL join。

試用您的 CSV

四個層級的檢索

AI 如何回答 "sales in France"

同一個問題，四個檢索層級。只有最後一個能讓您核對答案。

LLM 把您的問題轉成 SQL

假設您的 CSV 有城市欄，卻沒有國家欄。城市欄裡有 Paris 和 Strasbourg，但沒有可以篩選的國家欄。"France" 不在資料中，查詢根本寫不出來。

完全失敗

以相似度進行向量搜尋

把每個城市轉成向量嵌入，再搜尋 "France"。Paris 和 Strasbourg 會被找回來，因為它們讀起來像法國的城市。但 Strasbourg 隔壁的德國小鎮 Kehl 也可能被找回來。搜尋過程中沒有任何東西告訴我們城市屬於哪個國家。

有時失敗

LLM 用相似向量來回答

把上面搜尋到最接近的資料列交給 LLM，它通常會傳回正確的總數。但您看不到哪些城市被算成法國。它可能產生幻覺或用錯來源，而您只能相信它。

成功，但是黑盒子

Prereasoner 產生 SQL 查詢

城市欄透過鍵連到國家資料表：city → country → currency。"Sales in France" 會變成 SQL join，Kehl 被排除，查詢與符合的資料列會跟答案一起傳回。

成功且透明

您的參照資料表

以您自己的參照資料表解析

您自己的參照資料表

含有 gold、platinum 等值的等級欄，存在您自己的顧客等級資料表中。上傳該資料表，"revenue from platinum customers" 就會透過鍵來 join。

正面對決

Structured RAG 與向量 RAG 比較

在結構化資料上	向量 RAG	Structured RAG
字串欄位的使用方式	嵌入成向量	以鍵連到參照資料表
檢索機制	最近鄰相似度	SQL join
"Kehl"（Strasbourg 附近的德國小鎮）	可能被納入	被 join 排除
為什麼傳回這一列	相似度分數	SQL 中的 join
您的私有參照資料表	重新嵌入	以鍵 join
由誰計算總數	LLM	資料庫

運作方式

型別、連結、join、傳回

01 型別

為每一欄命名

Prereasoner 會辨識每一欄存放的是什麼。

02 連結

外部鍵

city → country → currency，或 tier → 您的等級資料表。每個連結都是參照資料表中的一個鍵。

03 JOIN

SQL 查詢

問題會變成橫跨這些資料表的 SQL join。

04 傳回

附上查詢

您會拿到資料列，以及傳回它們的 SQL。

免費開始

您的文字欄位並不模糊。別再把它們當成模糊資料來檢索

用您自己的 CSV 試試看。需要時再加入參照資料表。

試用您的 CSV