RAPTOR、GraphRAG与OpenViking如何组织RAG知识
AI 总结
一篇微信公众号文章指出,扁平检索难以处理统计计数和跨文档关联,并介绍了三种在检索前组织知识的方法。RAPTOR构建由聚类摘要组成的递归树状结构;GraphRAG以实体、关系和社区摘要组成知识图谱;OpenViking则将智能体的记忆、资源和技能映射到虚拟文件系统中。文章还讨论了增量更新、版本感知检索和过期清理等知识治理机制。
深度见解
文章提供了一套实用的选型思路:层级化技术文档可考虑RAPTOR,关系型问题可考虑GraphRAG,智能体上下文管理则可关注OpenViking的文件系统范式。文章同时指出,结构化索引成本更高,因此不应被视为所有RAG场景的默认方案。
原文:mp.weixin.qq.com/s/R3MJ-y8cm…(2026年10月03日)
前三篇里,RAG 一直是“扁平”的:把文档切成小片,平铺着存,查询时按相似度捞几片回来。这在很多场景已经够用,但它有一类问题天生答不好。
书里给了两个典型案例。统计计数:知识库里放了 100 份独立文本,其中 90 只黑猫、10 只白猫,用户问“黑猫白猫各占多少”。系统会卡在三重障碍上——top-k 限制了召回数量,大部分样本根本捞不回来;每份文本的描述有差异,检索分数参差不齐,样本持续遗漏;而检索的逻辑是“找相似片段”,统计却需要“遍历全部文档”。第二类是跨文档关联:答案分散在好几篇文档里,靠“找相似”根本串不起来。