RAGFlow 团队提出把知识编译作为智能体检索的基础设施层

作者：Zhichang Yu、Baining Cao、Sbaaoui Idriss、Qi Wang、Gangqiang Xu、Ling Qin、Xiaoling Jin、An Liu、Shaohao Cai、Xiaoyang Bao、Shengle Chen、Changchang Ding、Pengfei Zhu、Jingxiang Xu、Yifeng Mao、Lu Liu、Hai Jin、Yingfeng Zhang

查看 PDF HTML（实验性）

摘要：检索增强生成正变得代理化。一个搜索框架（harness）会编写查询、阅读结果、改写查询，并决定何时停止。这在很大程度上解决了准确性问题：在我们的实验中，仅使用 BM25/grep 和 MiniMax M3 的框架就能在 BrowseComp-Plus 上答对 85%，在多跳的 FRAMES 上答对 91%，而无需编译或向量索引。这暴露了一个上下文问题：不受约束的循环会重复查询、反复阅读文档，并用未使用的段落填满窗口。缺失的层次是知识编译：一个可配置的数据摄取流水线，让 LLM 用任何单独文本块都不具备的上下文来丰富文档——带有“声明-证据”叶节点的导航层级、实体图谱、时间线、思维导图、本体、维基和记忆。编译并不是一个更好的检索器：在一个称职的框架下，结构性产物在 FRAMES 上没有带来可检测的准确性提升，而 PageIndex 风格的大纲在规模化时反而退化。它是一个供给层。一种以“声明-证据”对为叶节点的导航树——即我们所测量的机制——在证据充足时可将查询 token 减少 91%，在不足时增加 1.9%，平均减少 38%；这意味着盈亏平衡的充足率约为 2%，而实测充足率接近 43%。一个决策门可将延迟从 140 秒降至 30 秒，尽管替换带来的 token 节省是以检索轮次为代价的，并带有自身的延迟成本。其他产物——本体、图谱、维基、时间线、思维导图、记忆——则在部署中显现价值（治理、集成、入职引导、时间定位、连续性），而准确性基准测试无法看到它们。我们介绍了 RAGFlow 的流水线和框架（开源代码见 this https URL），它把这个循环转变为五个规范化的站点，并使进入模型的上下文保持为最小充分集合；二者共同构成一个代理原生数据库：一个向代理交付经过编译、治理的上下文而非排序列表的存储系统。

提交历史

来自：Yingfeng Zhang [查看邮件]
[v1] 2026年10月30日 星期五 02:48:37 UTC（32 KB）