用于跨文档检索增强生成的分层抽象树

检索增强生成（RAG）通过外部知识增强了大语言模型，基于树的RAG将文档组织成分层索引以支持多粒度的查询。然而，现有的为单文档检索设计的 Tree-RAG 方法在扩展到跨文档多跳问题时面临着严峻的挑战：（1）分布适应性差，其中 $k$-means 聚类由于严格的分布假设而引入了噪声； (2)结构隔离，因为树索引缺乏明确的跨文档连接； (3) 粗略的抽象，掩盖了细粒度的细节。为了解决这些限制，我们提出了 $Ψ$-RAG，一个具有两个关键组件的树形 RAG 框架。首先，通过迭代“合并和折叠”过程构建分层抽象树索引，无需先验假设即可适应数据分布。其次，多粒度检索代理可以通过重新组织的查询和代理驱动的混合 检索器 与知识库智能交互。 $Ψ$-RAG 支持从 词元级 问答到文档级摘要的各种任务。在跨文档多跳 QA 基准测试中，它的平均 F1 分数比 RAPTOR 高 25.9%，比 HippoRAG 2 高 7.4%。代码可在 https://github.com/Newiz430/Psi-RAG 获取。