AWS 提出 TAKC 方案，用任务感知压缩超越 RAG 局限

AWS 机器学习博客发布开源方案 TAKC（任务感知知识压缩），解决传统 RAG 在跨文档分析中因相似性检索遗漏文档关联的问题。

核心思路是离线预压缩、按任务分层缓存、按查询复杂度路由。同一份 10-K 年报，财务分析压缩保留营收、现金流和债务数据，合规审查仅留监管引用和违规记录。压缩后 token 量降至原始的 1/8 到 1/64，查询时直接使用缓存。

成本对比显示：对 10 万 token 知识库每天 1000 次查询，RAG 输入 token 成本约为全量上下文的 10%，TAKC 轻量压缩档（8×）约 12.5%，超压缩档（64×）可压至 1.6%。但知识库更新频繁时 RAG 更划算。

💡 为什么值得看AWS 开源方案使跨文档 LLM 分析的 token 成本降至 1.6%，对尽调与合规场景有直接参考意义。