AI-NEWS

Appearance

GraphRAG ​

🎯 学习目标

  • 了解父子索引、摘要索引、假设性问题索引等 Advanced 技巧
  • 理解 GraphRAG 适用场景与成本权衡
  • 识别 RAG 商业化的缓存、增量索引与分层存储策略
  • 避免为 Advanced 而 Advanced，保留简单 baseline

引言 ​

当 baseline RAG 在 golden set 上碰到天花板，Advanced 技巧才有意义。本节介绍常见「进阶武器」及 GraphRAG 的边界，并谈上线后如何控成本。

章节正文 ​

第 1 步：父子索引（Parent-Child） ​

检索小 child chunk（精确），返回时带上大 parent 段落（完整上下文）：

text
parent: 整节「报销政策」 (~2000 字)
  child: 每条 bullet (~300 字)
检索命中 child_id → 注入 parent 文本到 Prompt

兼顾 precision 与 context，适合政策、手册类结构化长文。

第 2 步：摘要索引与假设性问题索引 ​

摘要索引：文档级 summary 向量 + 细节 chunk 向量，两阶段检索（先 doc 再 chunk）。

Hypothetical Questions：离线让 LLM 为每 chunk 生成「用户可能问的问题」，对问题做 embedding；在线 query 与「假设问」匹配，缓解 query-document 语义 gap。

两者都增加离线 LLM 成本，需抽样评估 ROI。

第 3 步：GraphRAG 简介 ​

GraphRAG 从文档抽实体与关系建图，支持：

  • 局部问答：实体邻域检索
  • 全局问答：社区摘要（如「整个产品线的风险点」）

适合复杂关系网络（供应链、投研）。成本高（构图 + 多轮 LLM），小 FAQ 不必上。

第 4 步：信息压缩与多文档合并 ​

检索到 10 段时，先 LLM 或 extractive 合并为 briefing，再单次生成，减窗口与重复。

注意压缩可能丢数字/日期——压缩 Prompt 要求保留实体、数字、日期 verbatim。

第 5 步：商业化优化 ​

  • Query 缓存：相同 question hash → 命中检索结果 TTL 1h
  • 增量索引：Git webhook 只 re-index changed paths
  • 热冷分层：90 天文档放冷存储，检索默认热库
  • 分级模型：Rewrite/Rerank 用小模型，最终生成用大模型

SLA 与成本表：P95 延迟、每次 query embedding 费用、rerank 费用、LLM 费用分项监控。

动手练习 ​

  1. 设计 parent-child metadata 结构，写检索命中 child 后如何取 parent。
  2. 为 5 个 chunk 生成 hypothetical questions，对比 baseline 检索 hit@3。
  3. 选一个需要「全局总结」的问题，讨论 GraphRAG vs 普通 RAG 谁更合适。
  4. 列出你的系统 3 项可缓存点与预期 TTL。
  5. 写「何时不上 Advanced」决策树：数据规模、团队维护成本、baseline 分数。

常见问题 ​

Q：GraphRAG 是不是 RAG 终极形态？

不是。它是特定关系推理与全局摘要场景的选项，构建与更新成本高。多数企业 FAQ/手册 parent-child + Hybrid + rerank 已够用。

Q：假设性问题索引会过时吗？

文档更新时需 regenerate 假设问。可 versioning chunk_id，旧问向量异步重建。

Q：Advanced 技巧能叠加吗？

能，但复杂度指数上升。建议每次只加一项，golden set 有显著提升再保留，否则回滚。

本节小结 ​

Advanced RAG 在 baseline 调优后按需引入：parent-child、摘要/假设问、GraphRAG 各有时机。商业化靠缓存、增量与分层控成本，指标驱动而非堆概念。