SchemaRAG: Dynamic Large Schema Reduction for LLM-driven Structured Information Extraction

SchemaRAG 针对大而复杂的目标 schema，动态裁剪信息抽取时需要放进 prompt 的输出 schema 空间。它使用 schema metadata 和可选 few-shot examples 做 retrieval-augmented schema reduction，从而减少上下文长度、lost-in-the-middle 风险、延迟和成本。真实医疗与电商数据实验中，SchemaRAG 最高带来 8.8% micro-F1 提升、47% latency reduction 和 48% token cost reduction；这使它成为大 schema 抽取场景里比“塞完整 schema”更工程化的路径。