近年来，检索增强生成技术在处理跨文档与时间序列查询时面临瓶颈。为突破传统检索局限，业界对比分析了LLM-Wiki与Proxy-Pointer两种架构。前者在数据摄入阶段通过大模型预提取实体与关系以构建持久化知识库，虽能加速后续问答，但需承担高昂算力成本、信息遗漏风险及未来需求预测难题。相较之下，Proxy-Pointer采用惰性语义合成策略，摄入阶段仅基于结构规则构建文档树并生成零成本向量索引，将语义推理完全延迟至查询时刻。该框架利用章节边界切片与时间元数据标记，结合向量检索与大模型重排序实现精准定位。面对跨越多年的企业并购等动态查询，系统可动态筛选关联章节进行即时推演，显著降低计算开销。其基于原始文本的直接推理机制天然保留完整溯源链条，大幅增强复杂场景下的可解释性。目前Proxy-Pointer已开源。该架构的演进标志着企业级AI从预测需求预编译向按需即时合成的范式转变，为海量非结构化数据的低成本、高精度推理提供切实可行的新路径。