沙丘社区
论文

Orion-RAG：面向无图数据的路径对齐混合检索

Orion-RAG: Path-Aligned Hybrid Retrieval for Graphless Data

Zhen Chen, Weihao Xie, Peilin Chen, Shiqi Wang, Jianping Wang
上下文与知识检索增强

摘要

检索增强生成（RAG）已被证明对知识综合有效，但在数据天然离散且碎片化的实际场景中会遇到重大挑战。在大多数环境中，信息分布在报告和日志等相互隔离、缺乏显式链接的文件中。标准搜索引擎独立处理每个文件，忽略了文件之间的关联。此外，对如此庞大的数据手动构建知识图谱并不现实。为弥合这一差距，我们提出 Orion-RAG。我们的核心见解简单而有效：我们不需要重量级算法来组织这些数据，而是使用一种低复杂度策略来抽取自然关联相关概念的轻量路径。我们证明这种精简的方法足以把碎片化文档转化为半结构化数据，使系统能够有效关联不同文件之间的信息。大量实验表明，Orion-RAG 在多个领域持续优于主流框架，以很高的成本效益支持实时更新和显式的人在回路核验。在 FinanceBench 上的实验显示其精度优越，相对强基线取得 25.2% 的相对提升。

Orion-RAG：面向无图数据的路径对齐混合检索 配图
图 1：Orion-RAG 系统概览。(1) 路径标注数据增强（Path-Annotation Data Augmentation）子系统（左）采用双层标注智能体，从碎片化文本构建分层导航路径，支持实时增量索引。(2) 多层混合检索（Multi-Layer Hybrid Retrieval）子系统（右）将这些路径用作显式的逻辑路标，融合稀疏与稠密检索，引导生成器给出准确且可解释的答案。