RAGless：面向封闭域 FAQ 的问题级检索方案

RAGless 是一个面向封闭域 FAQ 的语义检索系统，由 EmilResearch 在 GitHub 开源发布。与传统 RAG 先检索文档块再交由大模型在线生成答案不同，RAGless 把生成环节前移到入库阶段，查询时直接返回预写答案，整体不再依赖 LLM 的实时生成。

入库与检索流程

在离线入库阶段，系统对每条预设答案调用 LLM 生成 3–5 个问题变体，并为每个变体单独生成 embedding 存入向量库。检索时，用户问题同样被编码为向量，在库中找出 Top-K 最相近的问题变体，再按所属 answer_id 聚合分数——聚合得分最高的答案胜出并直接返回给用户。这一流程完全消除了在线生成步骤。

双门控阈值策略

为降低漏召回风险，RAGless 设置了两道门控：

• 主门控：聚合分数需达到默认阈值 0.70；
• 兜底门控：当某答案仅有单个变体进入 Top-K 时，回退到该最佳命中分数，阈值为 0.82。

两道阈值协同工作，用于在召回率与精确率之间取得平衡，避免在「只有一个变体被召回」的边缘场景下产生假阴性。

非对称任务类型

RAGless 显式区分了入库与查询两侧的嵌入任务类型：入库时使用 RETRIEVAL_DOCUMENT，运行时使用 RETRIEVAL_QUERY。这种非对称设置在工程上常用于提升召回质量，作者在说明中明确点出了这一选择。

与标准 RAG、DPR 的差异

• 标准 RAG：检索文档块 → LLM 生成答案；
• RAGless：检索问题变体 → 返回预写答案；
• DPR 等稠密段落检索：在段落级别进行 embedding 匹配。

RAGless 把检索粒度从「段落」下沉到「问题」，在 FAQ 类场景下提升了精确率，但代价是牺牲灵活性——它要求答案空间封闭、有限且预先枚举，无法应对开放式生成问答。

适用边界

作者将目标用户锁定为评估封闭域 FAQ 检索架构的研究者与工程师，并表示在该范围内已达到生产可用水平；对于答案空间不可枚举、需要开放式生成能力的场景，RAGless 并不适用。代码已在 GitHub 开源：github.com/EmilResearch/RAGless。