CAGE：用于检索增强生成的一致性感知图编码

传统的检索增强生成（RAG）系统根据查询独立地对每个段落进行评分，组装可能单独相关但总体不连贯的上下文集。我们引入了连贯感知图编码（CAGE），这是一个重新排序框架，它在四个维度上对“块间连贯性”进行建模：域内相关性、抗噪性、信息结合和事实一致性。我们的管道将检索到的段落转换为有向异构实体图，通过最小出度重新加权放大事实锚，通过关系图卷积网络对结构模式进行编码，并将块间一致性与查询相关性融合以进行最终排名。通过四个多跳基准进行评估，CAGE 在桥主导数据集上匹配或优于 Recall@5 中的 monoT5 等强基线，并持续改进下游精确匹配，证明即使检索召回相当或更低，结构连贯的上下文也能产生更精确的答案。