读到 RAPTOR 和 GraphRAG 时,我产生了一个很直接的想法:既然前者会把相近文本逐层聚成摘要,后者又有实体和关系,能不能让连接比较多的实体成为“父节点”,再由它们组织一棵文档树?
这个直觉有值得保留的部分,但中心节点与摘要节点承担的职责不同。把图排成树,不等于已经获得了层次摘要;而 GraphRAG 也并非完全没有上层概括。因此,更准确的问题应该是:图结构能否帮助我们构造更合适的摘要层次?
中心节点不是摘要
RAPTOR通过递归的嵌入、聚类与概括构建多层表示。GraphRAG则把源文本中的实体关系组织成图,并利用社区摘要支持较全局的问题。这里的差别,不是“一个有层次、一个没有”,而是组织对象与形成概括的路径不同。
一个连接很多关系的实体,可能是贯穿资料的主题,也可能只是所有段落都提到的机构名。它可以成为导航中心,却未必能够代表周围材料的主要结论。
方向性也需要小心。同一个事实可以使用不同的关系方向表达;仅按出度排序,有可能主要反映抽取约定,而非内容重要性。中心性可以是线索,但不能独自承担概括能力。
保留两个表示
我会先保留文本块集合 ,同时建立实体关系图 ,再记录文本与实体之间的证据对应:
这里 表示文本块 提供了与实体 有关的原始证据。抽取结果本身可能出错,所以边还需要指回具体文本,而不能只保留一个没有出处的三元组。
对一个候选实体组 ,可以先收集相关文本,再形成新的概括节点:
是新生成的摘要,不是简单把某个高度数实体改名为父节点。下一层可以继续对这些摘要及其证据覆盖进行分组,同时记录每个概括来自哪些下层材料。
这样,原始关系图与摘要层次同时存在:前者保留跨主题连接,后者帮助选择阅读粒度。没有必要为了得到一棵树,就把图中的环和交叉关系全部删掉。
让结构指导分组
如果要保留最初“从中心性出发”的直觉,我会把它作为候选生成步骤,再加入语义与证据约束。例如,一个待验证的打分形式是
是经过归一化的中心性线索, 是语义适配, 是证据覆盖, 表示冗余。这个式子只是设计草图,权重、定义和稳定性都需要验证,不能把一个加权和本身当作新的理论结果。
我真正想比较的是:纯语义分组、纯图结构分组,以及两者结合时,是否会形成对检索更有用的层次。跨文档共指、抽取噪声和过于笼统的中心实体,都应成为测试条件。
父子结构也应具有明确约束:上层概括要能追溯到证据,递归过程需要停止条件,更新源文档后应能发现受影响的摘要。层次越多,摘要误差与更新成本也可能累积。
用一个小模块验证
我更愿意先把它做成可替换的层次构建模块,而不是马上声称它是一种优于现有系统的新方法。
实验应固定文档、切块、嵌入、生成模型和上下文预算,比较向量检索、RAPTOR、GraphRAG,以及图引导的候选方案。问题类型至少区分局部事实、多跳关系与全局概括,因为某一类问题的收益不能代表全部用途。
除答案质量外,还需要报告证据可回溯性、检索覆盖、构建成本、更新成本、输入 token 和延迟。实体抽取和摘要生成的费用不能因为发生在离线阶段就被忽略。
我也想专门做两个消融:去掉中心性线索,以及去掉语义约束。如果删掉某个设计后结果没有变化,就不应继续把它当作核心贡献。
不急着给它命名
这还没有形成我自己的实验结论。它也许最终是一项有用的工程组合,也许某个具体的层次构建问题能发展成方法研究,也可能在公平比较后发现简单方案已经足够。
目前最吸引我的不是把两个名字接起来,而是一个具体问题:能不能让树更会概括,让图继续保留关系,并让每一次概括都有回到原文的路?它与Agent 的分层记忆也有相似之处——结构的意义,最终要体现在更合适的读取与使用上。
参考资料
- Parth Sarthi et al., RAPTOR.
- Darren Edge et al., GraphRAG: From Local to Global.
喜欢的话,留下你的评论吧~