RAG 系统中的 TOC Enhance：用“目录增强”提升检索与生成效果

在 RAG（Retrieval-Augmented Generation，检索增强生成）系统中，大家往往关注 Embedding 模型、Chunk 切分策略、向量数据库和重排序，但在真实的企业级文档场景中，一个经常被忽视、却非常有效的优化点是：

TOC Enhance（Table of Contents Enhance，目录增强）

它不是一个复杂的模型技巧，而是一种结构级增强方法 ，核心目标是：
让 RAG 系统"理解文档结构"，而不只是"吃进去一堆文本块"。

---

一、为什么 RAG 系统需要 TOC Enhance？

1. 传统 RAG 的结构盲区

经典 RAG 流程通常是：

1. 文档解析 → 切 Chunk
2. Chunk 向量化 → 入库
3. Query → 相似度检索 → LLM 生成

问题在于：

• Chunk 彼此是"平铺的"

• 模型不知道：

  • 当前 Chunk 属于哪一章？
  • 这一章讲的是"背景 / 原理 / 操作 / FAQ"？

• 检索命中内容正确，但语义上下文缺失

这在以下文档中尤为明显：

• 技术白皮书
• 产品说明书
• 法律/合规文档
• 长篇 Markdown / PDF / Word

---

2. 人是怎么理解文档的？

人阅读文档时，通常是：

先看目录 → 知道结构 → 再看具体内容

而传统 RAG：

❌ 跳过了"目录"这一步

TOC Enhance 的本质，就是把人类的阅读路径引入到 RAG 系统中。

---

二、什么是 TOC Enhance（目录增强）？

一句话定义

TOC Enhance 是一种在 RAG 中显式引入文档目录结构的方法，用于增强 Chunk 的语义、层级和可检索性。

它并不是简单地"把目录存起来"，而是：

• 让 Chunk 与目录节点产生绑定关系
• 让 检索和生成阶段都能感知结构

---

三、TOC Enhance 的核心设计思路

1. 抽取文档目录结构（TOC）

来源包括：

• Markdown 的 # / ## / ###
• Word / PDF 的标题样式
• 自动章节识别（基于规则或 LLM）

示例 TOC：

1. 系统概述
2. 架构设计
   2.1 数据采集
   2.2 向量化与索引
3. 部署与运维
4. 常见问题

这是 结构信息的"骨架"。

---

2. Chunk 与 TOC 节点绑定

每个 Chunk 除了正文内容，还应附带：

{
  "content": "...",
  "toc_path": ["架构设计", "向量化与索引"],
  "section_level": 2
}

这样做的好处是：

• Chunk 不再是孤立文本
• 它拥有 "我属于哪一章" 的身份

---

3. TOC Enhance 的三种常见方式

方式一：TOC 作为 Chunk 前缀（最常见）

在向量化前，拼接目录上下文：

【架构设计 > 向量化与索引】
这里介绍如何将文档切分并进行向量化......

👉 Embedding 更准确，因为语义更完整。

---

方式二：TOC 单独建索引（结构检索）

• TOC 节点本身也向量化
• 用户问题先命中 TOC，再限定 Chunk 范围

示例流程：

1. Query → 检索目录
2. 命中「常见问题」
3. 只在该章节下检索 Chunk

👉 大幅减少噪音召回

---

方式三：生成阶段注入目录结构（Generation Enhance）

在 Prompt 中显式告诉 LLM：

以下内容来自文档：
章节：3. 部署与运维 > 日志管理

👉 LLM 更容易：

• 给出结构化回答
• 不"跨章节胡乱总结"

---

四、TOC Enhance 能解决哪些实际问题？

1. 提升检索准确率（Recall & Precision）

• 同义但不同章节的内容不再混淆
• "原理"和"操作步骤"不再被一起召回

---

2. 减少 LLM 幻觉（Hallucination）

• 模型清楚"内容来源章节"
• 不容易拼接不相关内容

---

3. 提升回答的结构感

用户问题：

"系统是如何进行向量化的？"

有 TOC Enhance 的回答往往是：

在「架构设计 > 向量化与索引」章节中，文档描述了以下流程：
1. 文本切分
2. Embedding 生成
3. 向量入库

而不是一段无来源的自由发挥。

---

五、TOC Enhance 的工程实现建议

1. 优先级建议

场景	是否推荐
长文档（>20页）	✅ 强烈推荐
技术/规范类文档	✅
FAQ 碎片文档	⚠️ 价值有限
搜索型 RAG	✅

---

2. 实践注意事项

• ❌ 不要把整个目录树塞进 Chunk（会稀释向量）
• ✅ 只保留 路径信息（1~2 层即可）
• ✅ 保证 TOC 语义自然、人类可读

---

3. 与其他优化的关系

TOC Enhance 不是替代，而是增强：

• Chunk 策略 ✅
• Rerank ✅
• Multi-query / HyDE ✅
• TOC Enhance ✅（结构维度）

---

六、总结

TOC Enhance 的本质不是"技巧"，而是"尊重文档结构"。

在 RAG 系统逐渐从 Demo 走向生产的过程中：

谁更懂结构，谁的系统就更稳。

如果你发现你的 RAG 系统：

• 命中内容"看似相关却答非所问"
• 长文档效果明显变差

那么，TOC Enhance 往往是性价比极高的一步优化。

---