基于混合 RAG 与本地部署大模型自动提取数据处理活动记录（RoPA）

该论文针对越南《个人数据保护法》及第356/2025/ND-CP号法令自2026年1月1日起要求组织建立并维护数据处理活动记录（RoPA）的合规需求，提出 RoPA Manager 系统。该系统结合 tsvector 词法排序、稠密向量检索、Reciprocal Rank Fusion（RRF）与本地部署大模型完成自动化信息抽取，并发布覆盖32个组织、77项处理活动、12个字段组、4338个参考值的越南语 RoPA 基准。端到端抽取对参考标签的 token 覆盖率为50.04%至55.25%。

此前 RoPA 编制依赖人工，且云端大模型可能与数据主权要求冲突。该工作首次给出越南语 RoPA 基准与本地部署方案的对比数据，显示在24GB GPU上本地 Qwen3.5-27B-GPTQ-Int4 与云端 DeepSeek-V4-Flash 的差异不具统计显著性，为受数据主权约束的合规场景提供了可参考的替代路径。

系统用词法检索与稠密向量检索并行召回，再通过 RRF 融合排序结果，将候选上下文输入本地部署的量化大模型进行字段抽取，从而在不出域的前提下处理合规文档。基准按三个层级评估：自动评分器在扰动数据上测得 F1 为0.9493，衡量的是评分器鲁棒性而非端到端准确率；端到端抽取以 token 覆盖率衡量；两名独立专家复核1558个参考值（占基准35.9%），未发现错误值，一致性99.68%，PABAK为0.9936。

对合规与数据治理类产品而言，本地量化模型可在单张24GB GPU上运行，意味着部署成本可控且数据不出域，适合对数据主权敏感的行业客户。但端到端 token 覆盖率仅约50%至55%，说明当前方案仍需人工复核环节，产品设计上应定位为辅助抽取工具而非全自动合规输出；同时值级别精确率未被测量，无法据此承诺字段级准确度。

• 面向越南市场或越南业务线的合规团队，提供基于本地部署模型的 RoPA 抽取辅助工具，并以人工复核为默认流程节点。
• 围绕该论文发布的越南语 RoPA 基准，开发内部评测流程，用于横向比较不同本地模型在字段抽取上的表现。
• 在产品中集成 tsvector 加稠密向量加 RRF 的混合检索管线，作为合规文档字段抽取的通用召回层。
• 针对数据主权受限客户，打包单张24GB GPU可运行的量化模型部署方案，替代云端 API 调用。

• 端到端抽取的 token 覆盖率仅50.04%至55.25%，未覆盖部分主要来自哪些字段组或文档类型，论文未说明。
• 值级别精确率未被测量，实际字段抽取的正确率与召回率无法从现有证据判断。
• 32个组织、77项处理活动的基准规模较小，能否代表更广泛行业与文档结构尚不明确。
• 本地与云端模型的比较基于32组配对场景，差异不显著，但推理延迟、吞吐与总拥有成本未在证据中给出。