推荐语
ToPG通过创新的图遍历方法，巧妙平衡信息粒度与结构灵活性，为复杂RAG查询提供高效解决方案。 核心内容： 1. 传统RAG方案的三大痛点与局限性 2. ToPG框架的异构构图与三种智能导航策略 3. 关键技术实现与多场景性能对比数据
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
https://github.com/idiap/ToPG
https://arxiv.org/pdf/2601.04859
A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs
一、RAG 的三座“大山”
|
|
|
|
Chunk-RAG
|
|
|
|
Iterative-RAG
|
|
|
|
KG-RAG
|
|
|
一句话痛点：粒度 vs. 结构不可兼得——要么信息太粗，要么结构太硬。
二、ToPG 把“粒度”和“结构”同时做软
2.1 核心思想
图 1 一张图看懂 ToPG 框架
异构图：命题节点（蓝色）既连实体（橙色）也连段落（绿色），实现“细粒度+高连通”
用命题（proposition）作为最小知识单元，把“实体-命题-段落”拼成一张异构图，再让 LLM 以“建议-选择（Suggestion-Selection）”的方式边导航边反馈，实现三种搜索模式：
|
|
|
| Naive |
|
|
| Local |
|
迭代 Suggestion-Selection，LLM 每轮筛掉噪音 |
| Global |
|
|
2.2 关键技术细节
图 2 分步骤示例：Local 模式如何 2 跳找到“Gloria in D 大调作曲家出生地的著名桥梁”
Global 模式：多起点并行游走 → 社区检测 → 综述答案
|
|
|
| 图谱构建 |
LLM few-shot 抽取实体→命题；同义词用 embedding 合并 |
|
| Query-Aware PPR |
转移矩阵 M = λ·结构 + (1-λ)·语义相似度 |
|
| Local 迭代 |
每轮 LLM 判断“信息够了吗？”不够就自动生成子问题继续走 |
|
| Global 社区 |
收集 600 个锚点 → Leiden 算法分社区 → 每社区生成中间答案 → 排序合并 |
|
三、结论：一张表看懂涨点
单跳场景 Naive 模式已足够，Local 反而增加 token 成本；但在复杂场景，3 轮迭代即可把 F1 拉涨 11+
抽象问答（LLM-as-a-Judge）
图 3 胜率热力图：600 个锚点后收益饱和
|
|
|
|
| Comprehensiveness |
|
|
|
| Diversity & Empowerment |
显著优于
|
|
|
成本视角
图 4 Token 成本对比
|
|
|
|
|
|
| ToPG-Global |
|
比 GraphRAG 省 30%+ 生成 token |
|
|
|
四、一句话总结
ToPG 用“命题级粒度+查询感知游走”证明：把图谱做软、把导航做活，就能在单跳、多跳、抽象问答三条赛道都拿到 SOTA 级成绩。
粤ICP备14082021号
免费POC，
零成本试错
