CompactRAG：把知識庫預先拆成「問答對」，讓複雜問答又快又平又準

你間公司的 AI 問答系統，是否又慢、又燒錢、又常常答不中要點？尤其是那些要串連幾份文件才答得到的複雜問題，AI 往往要來回檢索好多次，既貴又慢。2026 年出現一個新方法叫 CompactRAG，換了一個思路：把知識庫預先離線拆成一堆「問答對」，問題一來就直接對上答案。本文用生意角度拆解它是什麼、為何又快又平又準，以及導入時要注意什麼。

為什麼傳統 RAG 又慢又貴？

傳統 RAG（檢索增強生成）在你每次提問時，才即場去知識庫檢索相關段落、逐段閱讀、再推理作答。遇到「多跳」問題，也就是要串連多份文件、經過多步推理才答得到的問題，它往往要來回檢索與推理很多次。每一次都消耗 token 與時間，於是變得又慢又貴，答案也容易在中途出錯。

什麼是 CompactRAG？

CompactRAG 是 2026 年提出的一種檢索方法，核心是把「即場才拆解問題」改為「預先拆解知識」。它在離線階段，先把整個語料庫轉換成大量「原子問答對」，也就是一問一答的最小知識單位。當使用者提問時，系統不再從頭慢慢檢索推理，而是直接對上已經整理好的答案，大幅減少線上運算。

核心思路：離線拆成「原子問答對」

所謂原子問答對，是把每一小塊知識預先寫成一條清晰的「問題加答案」。這個拆解與整理的重活，全部在離線階段做好，不佔用使用者等待的時間。等於你先把功課做齊，把一份份文件消化成即用的答案卡；當問題來到，AI 只需把問題對上正確的卡，而不必臨場重新消化整個知識庫。

為什麼多跳問題只需約兩次呼叫？

因為複雜的推理已經預先濃縮進問答對裡，CompactRAG 能以大約兩次大型語言模型呼叫，解決多跳問題，而且不論需要多少步推理。傳統做法每多一跳就要多幾次來回；CompactRAG 把步數與呼叫次數脫鉤，這正是它在成本與速度上的關鍵優勢，對高流量的問答場景尤其明顯。

三大好處：快、平、準

CompactRAG 的好處相當實在。快：重活在離線做好，線上即問即答。平：呼叫次數大幅減少，token 成本下降。準：預先整理減少了臨場推理，答案更穩定，也較少在中途「迷路」。對需要即時回應大量查詢的企業而言，這三點直接關係到使用體驗與營運成本。

與傳統 RAG 的分別

兩者最大的分別在於「何時做重活」。傳統 RAG 把檢索與推理留到使用者提問的那一刻；CompactRAG 則把大部分工作提前到離線階段完成。前者靈活但每次都貴、都慢；後者需要先投入離線整理，但之後每次查詢都又快又平。選擇哪一種，取決於你的查詢量與對速度、成本的要求。

適用場景

CompactRAG 最適合「要準、要快、又高流量」的問答場景：客服知識庫、內部文件問答、產品 FAQ、政策與流程查詢。這些場景的問題種類相對可預期，知識庫也相對穩定，正好發揮「預先拆解、即問即答」的優勢。相反，若知識每日大幅變動、問題極度發散，就要衡量離線整理的更新成本。

導入注意事項

導入前有兩點要留意。其一，知識更新：問答對是預先整理的，當來源文件更新，需要有機制重新生成受影響的問答對，否則會答舊資料。其二，離線成本：把整個知識庫轉成問答對本身需要運算與時間，屬一次性或定期投入，適合查詢量足夠大、值得攤分成本的情況。先評估更新頻率與查詢量，再決定投入規模。

常見錯誤

最常見的三個錯誤是：一，把 CompactRAG 當成萬能，連極度發散或需要即時最新資料的問題都硬套，結果答舊料；二，問答對拆得太粗，一條塞太多資訊，失去「原子」的精準；三，忽略更新機制，令知識庫與問答對脫節。避開這三點，CompactRAG 就能長期又快又準地服務你的查詢。想要 CompactRAG 的落地做法與檢查清單？歡迎前往 ai.ud.hk 了解更多 UD 的 AI 員工方案，看看如何把它落地到你的問答系統。

懂AI，更懂你｜UD相伴，AI不冷