拆解複雜決策：從資料填鴨到可治理的工作流
當我們面對複雜問題時，直覺反應是給 AI 更多資料，期待它能「自行理解」。但這種作法往往適得其反。真正的關鍵不在於資料的量，而在於建立一套清晰的決策流程，將龐大問題拆解為規劃、檢索、執行等可控的步驟。
在建構 AI 系統時，我們常陷入一個迷思：只要給大型語言模型（LLM）足夠多的資料，它就能像博學的專家一樣，從中梳理出洞見，做出明智的決策。於是，我們不斷擴展模型的 Context Window，優化檢索演算法，試圖將所有「可能相關」的資訊一次性地餵給模型。然而，我的觀察是，這種「資料填鴨」式的作法，在面對真正複雜的決策場景時，不僅效率低落，甚至常常導致災難性的「幻覺」（Hallucination）。
當問題需要跨越多份文件、綜合不同表格的數據、進行多步推論才能得出結論時，單純把大量原始資料塞給模型，就像是要求一位分析師在沒有任何指引的情況下，從數百頁的財報中直接給出一個精準的投資建議。分析師會迷失在細節中，模型也是如此。它可能會抓錯數字、誤解關聯，最終給出一個看似合理卻完全錯誤的答案。
最近一篇關於 PlanRAG 框架的論文，為這個困境提供了一個極具啟發性的解方。它點出了一個核心觀念：解決複雜問題的關鍵，不在於一次性提供多少資訊，而在於如何將決策過程本身，拆解成一個清晰、可治理的 workflow。
「多就是好」的陷阱：當 RAG 遇上複雜決策
我們熟悉的檢索增強生成（RAG）技術，在處理單一事實查詢時非常有效。例如，問「某公司去年的營收是多少？」，RAG 可以快速定位到財報的相關段落，並提供準確答案。它的邏輯是「找到相關資訊，然後回答」。
但如果問題變成「比較 A、B 兩家公司過去三年的營收成長率，並分析哪家公司的研發投入回報更高？」，情況就完全不同了。這個問題無法靠單一資訊區塊來回答，它需要：
- 分別查詢 A、B 公司三年的營收數據。
- 計算各自的年增長率。
- 查詢兩家公司三年的研發投入金額。
- 將研發投入與營收成長進行關聯分析。
- 最後綜合所有結果，提出結論。
傳統 RAG 在這裡會遇到瓶頸。它可能會檢索到所有相關的財報片段，然後將這些混雜的資訊全部丟給 LLM。在這種資訊超載的狀態下，模型很難維持清晰的邏輯鏈，極易在計算或比較過程中出錯。這就是論文中定義的「決策問答」（Decision QA）場景——需要模型扮演決策者，而不僅僅是資訊檢索員。
像專家一樣思考：規劃、檢索、執行的三步驟
PlanRAG 框架的核心，是模仿人類專家解決複雜問題的思維模式：先有計畫，再按部就班地執行。它將原本混沌的單一步驟，拆解成一個迭代循環的 workflow：
1. 規劃（Planning）：
面對複雜問題，模型做的第一件事不是找資料，而是「制定一份行動計畫」。它會將大問題分解成一系列更小、更具體的子問題。例如，針對前述的比較問題，它的計畫可能是：「步驟一：取得 A 公司近三年的營收」、「步驟二：取得 B 公司近三年的營收」……以此類推。
2. 檢索（Retrieval）：
有了計畫後，模型不會一次性檢索所有資料。它會嚴格按照計畫，在每個步驟中，只檢索「當前這一步」所需要的精確資訊。例如，執行步驟一時，系統就只會去資料庫中提取 A 公司的營收數據，完全忽略其他無關資訊。
3. 執行（Execution）：
模型利用上一步精準檢索到的少量數據，完成當前的子問題，並記錄下中間結果。接著，它會帶著這個結果，進入計畫的下一步，重複「檢索-執行」的循環，直到所有步驟完成，最終整合出全局答案。
這個流程的精髓在於，它將一個龐大的認知負擔，轉化為一系列輕量級、目標明確的任務。模型在任何一個時間點，都只需要專注於一個小問題和一小撮相關數據，從而大幅降低了出錯的機率。
實務啟示：打造可信賴的 AI 決策系統
PlanRAG 的研究成果，不僅僅是學術上的突破，它為我們在實務上建構 AI 系統帶來了深刻的啟示。這意味著，我們應該將重心從「如何優化檢索的廣度」，轉向「如何設計決策的流程」。
這兩種思維模式的差異，可以簡單歸納如下：
| 傳統 RAG 模式 | Workflow 模式 (如 PlanRAG) | |
|---|---|---|
| 核心邏輯 | 一次性檢索，再生成 | 迭代式地規劃、檢索、執行 |
| 資訊處理 | 將大量原始資料塞入 Context | 每一步只處理少量、精確的資料 |
| 過程透明度 | 較低，像一個黑盒子 | 極高，每一步的計畫、數據、結果都清晰可見 |
| 適用場景 | 簡單的事實查詢 | 複雜、多步驟的分析與決策 |
這種 workflow 導向的架構，不僅提升了準確率，更重要的是，它讓 AI 的決策過程變得透明、可追溯、可審計。當系統出錯時，我們能輕易地定位到是哪個環節的計畫不周、檢索失誤，還是執行有誤，而不是面對一個無從解釋的「黑箱」答案。這對於在金融、醫療、法律等高風險領域建立可信賴的 AI 系統至關重要。
總結來說，讓 AI 變得更聰明、更能勝任複雜決策的關鍵，或許不是更大的模型或更長的 Context Window，而是為它設計一套優良的「工作方法論」。將龐雜的任務拆解為可治理的 workflow，讓模型從一個被動的資料接收者，轉變為主動的計畫執行者，這才是通往更高階智慧系統的務實路徑。
我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。
延伸閱讀
- Lee, M., et al. (2024). PlanRAG: A Plan-then-Retrieval Augmented Generation for Generative Large Language Models as Decision Makers. arXiv:2406.12430.