elDoc 中代理式 RAG 的架構：企業文件智慧的核心技術

企業組織不需要只會對話的 AI，而是需要能夠理解任務、在文件與數據中進行搜尋、連結不同來源的資訊、對所獲資訊進行推理，並在安全環境中協助完成實際工作的 AI。這正是代理式 RAG 發揮關鍵作用的地方。

在 elDoc 中，代理式 RAG 不僅僅是檢索少量相關文本並交由語言模型進行摘要，而是編排一個完整的 AI 流程，使多種技術協同運作，例如文件儲存、文字擷取、關鍵字搜尋、向量搜尋、推理模型，以及能規劃並執行多步驟任務的 AI 代理。這種組合使 elDoc 能夠超越被動的文件存取，邁向以任務為導向的企業內容智慧。

代理式 RAG 在實務中的意義

傳統文件搜尋協助使用者找到檔案，基礎 AI 對話協助使用者提出問題，基礎 RAG 則透過檢索內容提供具依據的答案。

代理式 RAG 更進一步，使系統能夠解析使用者請求、決定解決方式、執行多次檢索與推理、驗證結果，並組合出有價值的最終成果。系統不再依賴單一步驟的搜尋與回應，而是採用更接近專業分析師的工作流程：

系統首先理解請求，判斷所需資訊，識別資訊可能所在位置，檢索相關證據，進行分析，檢查證據是否充分，在必要時進行額外搜尋，最終產出答案、摘要、報告或可直接採取行動的結果。

這正是 elDoc 中代理式 RAG 的核心運作方式。

elDoc AI 流程

elDoc 中代理式 RAG 的強大之處，在於多個專業組件以協同方式運作為一個整體系統。每個組件各司其職，其價值來自彼此之間的互補。

MongoDB：文件儲存

此流程的基礎是 MongoDB，作為文件儲存層。企業文件環境通常相當複雜，文件可能來自不同部門，具有不同格式、結構、元資料欄位、生命週期狀態及安全分類。因此，需要具備彈性且可擴展的儲存層來管理這些複雜性。

MongoDB 透過提供一種結構，不僅能儲存文件本身，還能儲存使文件在 AI 流程中發揮價值的相關情境資訊，以支援此需求。這些資訊可包括文件類型、部門、作者、日期、版本、業務流程參照、存取控制、擷取文字、分塊結構、索引資訊以及與相關記錄的連結等元資料。

這一點至關重要，因為代理式 RAG 並不僅處理原始文本，還需要情境資訊。例如，當使用者查詢政策缺口、合規不一致、合約義務或流程風險時，系統不僅需要了解文本內容，還需掌握文件的當前版本、所屬部門、是否已核准，以及其與其他內容的關聯。

MongoDB 提供結構化與半結構化數據的基礎，使這些更豐富的工作流程得以實現。

Apache Solr：全文搜尋

並非所有企業問題都應僅依賴向量搜尋來解決。在許多實際業務場景中，精確的術語、名稱、代碼、參照、日期、識別碼、法律用語或特定領域術語至關重要。這正是 Apache Solr 在 elDoc 流程中扮演關鍵角色的原因。

Solr 提供強大的全文搜尋能力，使系統能透過關鍵字相關性、精確詞組比對、篩選、分面分析、元資料條件與排序邏輯來定位文件與段落。在企業場景中，當使用者搜尋以下內容時尤為重要：

• 合約編號
• 發票識別碼
• 專案代碼
• 員工姓名
• 政策條款
• 法律條款
• 技術術語
• 部門專用語言

例如，當使用者查詢特定供應商、政策編號或監管要求的所有相關內容時，全文搜尋往往是最快且最可靠的檢索方式。Solr 可協助系統精準定位這些明確參照。在代理式 RAG 中，這一點尤為重要，因為代理可判斷使用者請求最適合透過關鍵字檢索、語意檢索或兩者結合來完成。Solr 因此成為代理用於將工作建立在高度相關內容之上的核心工具之一。

Qdrant：向量搜尋

雖然全文搜尋在精確匹配方面表現優異，但企業使用者常以自然語言提出問題，而這些問題未必與文件中的措辭完全一致。此時，作為向量搜尋層的 Qdrant 便顯得至關重要。向量搜尋使 elDoc 能依據語意相似度進行檢索，而不僅依賴字詞重疊，這意味著即使文件中的用語與使用者問題不同，系統仍能找到相關內容。

例如，使用者可能會詢問：

• 「此合約中的主要交付風險是什麼？」
• 「供應商是否存在隱藏義務？」
• 「請指出責任不明確之處。」
• 「哪些政策說明了核准權限的限制？」

相關文件可能並未使用這些精確表述，而是採用服務承諾、責任條款、升級責任、授權權限或例外核准要求等相關語句。僅依賴關鍵字搜尋可能會遺漏重要證據，而向量搜尋則能補足這些語意情境。

在 elDoc 中，Qdrant 支援對企業文件分塊進行更深入的語意檢索，使系統能呈現具實質關聯的內容片段，並豐富代理分析所依據的證據集合。

這在以下複雜應用場景中特別有價值：

• 跨文件分析
• 政策與合規審查
• 合約智慧分析
• 營運風險識別
• 盡職調查
• 知識發掘
• 針對多元內容的企業問答

OCR 引擎：文字擷取

在文件能被搜尋、分析或進行推理之前，其內容必須先轉換為機器可讀格式。在企業環境中，這並非總是容易實現。許多重要文件以掃描 PDF、影像檔、簽署表單、紙本檔案或結構不佳的匯出文件形式存在。若未進行擷取，這些檔案對 AI 而言將處於不可見狀態。

因此，OCR 引擎成為 elDoc AI 流程中的關鍵組成部分。

OCR，即光學字元辨識，使 elDoc 能從掃描或影像文件中擷取文字，讓內容可被索引、分塊、搜尋並應用於後續 AI 流程。此步驟的重要性遠超表面。文字擷取的品質會直接影響檢索、推理與最終輸出的品質。若文字缺失、破碎、誤讀或分段不佳，後續 AI 所依據的證據將變得薄弱。

在實務中，OCR 使 elDoc 能將 AI 應用擴展至真實的企業檔案庫，而不僅限於數位原生文件。它將歷史記錄、紙本流程、已簽署文件、舊版掃描資料及營運附件納入同一個可搜尋且可分析的知識層。

這代表更完整的檢索、更豐富的情境以及更高的業務價值。

LLM 模型：推理與生成

當找到相關資訊後，下一步並非僅重述內容。系統需進行解讀、比較、整合、說明並生成有價值的回應，這正是 LLM 層的角色。elDoc 中的大型語言模型用於推理與生成，將檢索到的證據轉化為使用者可理解且可行動的輸出。

根據任務需求，這可能包括：

• 根據檢索文件回答問題
• 彙整多來源的發現
• 識別不一致或缺失資訊
• 比較條款、政策或版本
• 擷取義務、風險、日期或責任
• 撰寫報告或結構化輸出
• 以易懂語言說明結果

關鍵在於模型並非獨立運作。在代理式 RAG 中，LLM 建立於檢索內容之上，並成為由代理控制的整體流程的一部分。

這一點至關重要，因為企業使用者並不需要通用的文字生成，而是需要基於授權且相關內容的可信輸出。LLM 提供理解與語言能力，而檢索與代理層則確保推理過程建立在可靠證據之上。

AI 代理：規劃與任務執行

在代理式 RAG 中，決定性的層級是 AI 代理。代理不僅依賴單一提示進行回應，而更像一位智慧協調者。它會解析使用者目標、判斷所需步驟、選擇適當工具、評估中間結果，並在生成最終回應前決定是否需要進一步檢索或分析。

正是這一點，使標準 RAG 系統轉變為代理式 RAG 系統。

在 elDoc 中，代理可編排多個工作階段，例如：

• 理解使用者意圖
• 選擇搜尋策略
• 結合關鍵字與語意檢索
• 驗證檢索證據是否充分
• 若存在缺口則觸發後續搜尋
• 彙整跨文件的發現
• 依據任務需求進行輸出結構化

系統不再是單次互動，而是轉變為引導式的知識工作流程引擎。

這在企業應用場景中特別強大，因為請求往往並不簡單。使用者可能需要識別流程風險、比較合約版本、找出衝突政策、分析供應商文件、偵測缺失核准，或為管理報告彙整證據。這些任務需要規劃、迭代與具情境感知的推理，而代理正是實現這些能力的關鍵。

為何多步驟推理讓代理式 RAG 更具威力

代理式 RAG 的真正優勢在於多步驟推理。

許多企業任務無法透過單一提示與單次檢索可靠完成。重要資訊可能分散於多份文件之中，關鍵風險可能以隱含方式呈現，而非明確表述，關鍵證據也可能在初步發現指向其他來源後才變得相關。

多步驟推理使 elDoc 能以動態方式處理問題。系統不會假設首次檢索結果已足夠，而是會深入思考任務、分階段蒐集證據、優化搜尋，並構建更完整的答案。因此特別適用於以下複雜知識型任務：

• 合規分析
• 合約審查
• 稽核支援
• 政策一致性檢視
• 盡職調查
• 流程分析
• 企業知識發掘
• 以文件為基礎的調查

換句話說，代理式 RAG 的強大之處，在於讓 AI 不再只是靜態聊天機器人，而更像能夠逐步解決問題的智慧助理。

代理式 RAG 必須同時兼顧效率與安全，在 elDoc 中，這一點已內建於架構之中

雖然多步驟推理讓代理式 RAG 更加強大，但同時也帶來一項關鍵要求，即在每一個流程步驟中確保安全性。

在 elDoc 中，代理式 RAG 的設計不僅能理解、檢索並跨文件推理，還能在嚴格受控且安全的環境中執行。

每當使用者提交請求時，系統不會立即開始搜尋，而是先驗證使用者身份及其可存取範圍。這確保後續所有操作，包括檢索、分析與回應生成，皆完全符合企業存取政策。

此方法的核心是基於角色的存取控制（RBAC），用以定義每位使用者可查看與操作的數據範圍。elDoc 中的 AI 代理會承繼這些權限並嚴格遵循，無法檢索、分析或生成任何未授權存取的資訊。

這意味著：

• 每一次查詢皆具備權限感知
• 每一次檢索皆受存取控制
• 每一次回應皆僅基於已授權內容

然而，elDoc 的安全機制遠不止於 RBAC。

該平台採用多層企業級安全模型，涵蓋身份、數據、基礎設施與營運層面的全面防護：

• 身份與存取安全：透過多重驗證（MFA）、一次性密碼（OTP）以及與企業身份系統整合，確保僅有經驗證的使用者能存取平台
• 細緻權限與控制：細粒度存取策略延伸至文件與數據層級，並在每一次 AI 互動中嚴格執行
• 監控、記錄與可審計性：完整追蹤使用者行為，確保透明性、合規性與治理
• 安全部署選項：支援本地部署、私有雲或混合環境，確保對數據儲存與處理位置的全面掌控
• 隔離環境：可在完全隔離的基礎設施中運行 elDoc，對處理敏感或機密數據的組織至關重要
• 高可用性與災難復原：具備企業級可靠性與高韌性架構，確保 AI 驅動運作的持續性

此多層防護機制確保 AI 在透過多步驟推理提升能力的同時，不會引入額外風險。

在 elDoc 中，AI 不會繞過安全機制，而是落實並強化安全。

從提出問題到生成最終結果，代理式 RAG 工作流程的每一個步驟都持續依據企業政策進行驗證，確保組織在運用先進 AI 處理文件與數據時，仍能維持完整的控制、合規與安全防護。