RAILS：面向大规模检索增强的增量式 LLM 聚类

RAILS 将 LLM 聚类改为面向不断增长的标签池的循环，并通过文档批处理与有界并发提升吞吐，缓解提示无法容纳整个标签空间、逐文档串行处理吞吐不足的问题。论文称在六个公开基准上平均超过最强既有 LLM 聚类方法，准确率从 51.2% 升至 59.3%，NMI 从 67.2% 升至 74.8%，ARI 从 45.4% 升至 54.7%。

此前用 LLM 做生产级聚类通常受限于标签空间无法塞入提示、且逐文档串行导致吞吐不足。RAILS 给出可增量、可并发的替代路径，并在公开基准与 SaaS 工单主题发现流程中替代传统 HDBSCAN 阶段，说明 LLM 聚类开始进入可运维的生产环节。

RAILS 把聚类拆成对不断扩张标签池的检索与匹配循环，新文档不必与全部标签一次性比较，从而绕开提示容量限制；批处理与有界并发把逐文档串行改为并行吞吐；增量有状态运行意味着已有聚类结果可被持续复用，而不是每次重跑全量。

对已有工单、反馈或内容分类流程，可用 RAILS 替换 HDBSCAN 等传统聚类阶段，获得更高质量分组，并通过提示驱动调整分类行为。工程上需要维护可增长的标签池、批处理与并发调度，以及增量状态管理，会改变聚类服务的架构与运维方式。

• 在客服工单或用户反馈系统中，将现有 HDBSCAN 聚类阶段替换为 RAILS，按论文指标对比分组质量与人工可解释性。
• 构建增量标签池服务，支持新文档流式加入已有聚类，避免每次全量重跑，降低持续聚类成本。
• 为运营人员提供提示驱动的标签与聚类控制界面，把分类规则调整从代码发布转为提示配置。
• 在内容去重、主题发现等场景做小规模基准复现，验证准确率、NMI、ARI 提升是否可迁移到自有数据。

• 论文提到的六个公开基准具体是哪六个，是否包含中文或多语言数据。
• 生产部署证据来自哪家 SaaS、工单规模与延迟成本数据如何。
• RAILS 与传统 HDBSCAN 在同等数据上的运行成本和吞吐对比如何。
• 有界并发下的稳定性、标签池长期增长后的检索效率和漂移问题如何控制。