Skill-RAG提出故障感知RAG框架，透過隱藏狀態探測與技能路由診斷查詢-證據錯位

Skill-RAG提出故障感知RAG框架，透過隱藏狀態探測與技能路由診斷查詢-證據錯位。

Skill-RAG是一種故障狀態感知的檢索增強生成（RAG）框架，針對現有方法僅將後檢索故障視為重試訊號、忽略查詢與證據空間結構性錯位的問題，提出輕量隱藏狀態探測器結合提示式技能路由器，精準診斷並修正故障。

框架核心機制
Skill-RAG在RAG管線兩個階段部署隱藏狀態探測器（hidden-state prober），用以偵測故障狀態。一旦偵測到故障，提示式技能路由器（prompt-based skill router）會診斷根本原因，並從四種檢索技能中選擇合適策略修正錯位，再進行下一輪生成嘗試：

• 查詢改寫（query rewriting）
• 問題分解（question decomposition）
• 證據聚焦（evidence focusing）
• 退出技能（exit skill），適用於真正無法還原的案例

此設計承認持續檢索故障多源自查詢與證據空間的對齊差距，而非相關證據缺失。

實驗驗證與效能提升
作者Kai Wei、Raymond Li、Xi Zhu、Zhaoqian Xue、Jiaojiao Han、Jingcheng Niu、Fan Yang於2026年4月17日發表的論文（arxiv.org/abs/2604.15771），在多個開放域問答（open-domain QA）與複雜推理基準測試中驗證框架。多輪檢索後的難解案例準確率大幅提升，尤其在外部分佈資料集（out-of-distribution datasets）表現突出，證明Skill-RAG有效處理頑固故障。

故障空間結構洞察
表示空間分析（representation-space analyses）顯示，四種技能對應故障狀態空間中結構化、可分離的區域，支持查詢-證據錯位為類型化（typed）而非單一現象（monolithic）的觀點。此發現批判現有自適應檢索僅優化效率，卻未診斷結構性根因，導致持久故障未解。

對RAG範式的啟示
傳統RAG雖奠基大型語言模型外部知識接地，但忽略故障診斷，Skill-RAG透過故障感知機制填補空白，強調診斷優先於盲目重試。論文觀察顯示，大量持續故障源自對齊缺口，此框架不僅提升硬案例效能，更揭示RAG需轉向類型化故障處理，以實現更穩健的知識整合。