小红书精读：TSWAP: A Multilingual Retrieval-Augmented Thai Wellness Advisor

8语泰医RAG，零样本但量化有坑

✨ 各位算法同学们，一篇把RAG落地细节写透的论文：八种语言零样本，不微调模型，但一个量化坑直接让泰语变乱码——部署前必看。

📄 TSWAP: A Multilingual Retrieval-Augmented Thai Wellness Advisor

🔧 混合检索：稠密bge-m3加稀疏BM25，RRF融合，top10召回后cross-encoder重排序取3，相似度够高直接跳过重排。 🧩 强制检索路由：第一轮查询分类器把实体查询绑死tool_choice，杜绝模型从参数记忆里编推荐，这是“不微调”也能落地的关键。 ⚙️ 多语言零样本翻译-检索：八种语言共用英文prompt，先把查询翻译成泰语再检索，回答用用户语言，没有语言模板。

📊 发布首个泰医检索基准：50问，Recall@5=0.88，但草药和套餐子集只有0.75，短板明显。 📈 生产QA日志：259例test-retest通过率91.1%；无安全prompt时，模型会给出完整用药剂量表。 ✅ 无知识库时零条可验证推荐，证明检索是唯一可信来源；还发现4-bit AWQ量化会破坏泰语声调符号。

💡 这篇最值钱的是两个可迁移结论：量化要按目标语言校准，安全要靠路由而不是生成后过滤。对做多语言RAG的朋友，尤其是小语种，避坑意义大于技术新意。落地时记得盯泰语变音和紧急路由，别光调向量。

原文：AlphaXiv