SAG：具有查询时动态超边的 SQL 检索增强生成

虽然检索增强生成（RAG）已被证明可以有效地让 LLM 访问外部知识，但主流的密集检索实现在处理结构化约束和多跳推理方面仍然受到固有的限制。基于图的方法通过离线构建知识图来解决这个问题，但它们通常会导致语义碎片化，维护成本高，并使增量更新复杂化。我们提出了 SAG（SQL 检索增强生成），这是一种结构化检索架构，可将文档组织成事件实体索引，而无需构建全局知识图谱。 SAG 将每个块表示为与其实体配对的语义完整事件，形成潜在的超边，保留 n 元关系而不将它们分解为三元组。在查询时，SAG 将共享实体视为连接键来连接相关块。这动态地产生了查询范围内的事件邻域，但每条证据始终保持原始块。 HotpotQA、2WikiMultiHopQA 和 MuSiQue 上的实验表明，SAG 在每个基准测试中都实现了最佳检索和端到端 QA 性能，并且随着推理链复杂性的增加，增益会扩大。在多跳证据链要求最高的 MuSiQue 上，SAG 达到 80.36% Recall@5，比最强基线高出 11.52 点。这项工作为知识基础设施铺平了道路，使 LLM 代理能够检索和推理不断增长的组织知识。