ContextRAG：用于检索增强生成的无提取分层图构建

图结构检索增强生成 (RAG) 系统可以提高多跳问题的答案质量，但许多当前系统依赖 大语言模型 (LLM) 在索引过程中提取实体、关系和摘要。这些调用增加了随着语料库大小而增长的词元和挂钟成本。我们提出了 ContextRAG，这是一种图 RAG 系统，其图拓扑是在没有基于 LLM 的实体或关系提取的情况下构建的。 ContextRAG 使用残差量化 k 均值和带有 Lukasiewicz 残差逻辑的形式概念分析，在块嵌入上导出模糊概念图。类似桥和满足派生的上下文节点是由软模糊连接和满足操作引起的，而不是由 LLM 编写的图边引起的。在包含 130 个任务的 UltraDomain 子集上，ContextRAG 使用 30 个 LLM 调用和 22,073 个词元构建索引。相比之下，本地 HiRAG 复制压力测试需要 870 个索引调用和 20 个任务子集上的 354 万个词元，然后在图构建过程中失败；线性外推到 130 个任务意味着超过 2300 万个索引标记。 ContextRAG 总体 F1 率为 33.6%，多跳任务 F1 率为 36.8%。激活分析表明，检索前 5 名中至少一个格派生节点的查询比不检索格派生节点的查询获得 +3.9 个百分点 F1；这种关联是诊断性的而非因果性的。