本文提出了一种名为 GoldenRetriever 的隐私保护检索增强生成（RAG）框架，旨在解决传统 RAG 流水线在明文数据上运行导致的隐私泄露问题。现有隐私保护检索方案多采用同态加密（HE）或私有信息检索（PIR），但往往依赖交互式协议或基于排序的选择机制，导致高延迟和潜在信息泄露。作者提出基于阈值选择的非交互式加密检索方法：不再在密文下执行昂贵的 top-k 排序，而是选取相似度得分超过预设阈值的文档，从而将计算复杂度从 O(n^2) 降至 O(n)。实现上基于 CKKS 同态加密方案，支持完全加密的相似度评估和文档选择，不泄露查询内容、中间分数或选中索引。为解决近似加密计算与离散 token 重构之间的精度差距，作者设计了精度稳定的掩码极化方法，确保选中文档能够被准确恢复。在标准检索基准上的实验表明，该方法在显著降低延迟的同时保持了有竞争力的检索效果，凸显了阈值选择作为可扩展、安全 RAG 系统的实用基础。