为高效检索增强生成修剪最小推理图

检索增强生成（RAG）已成为知识密集型LLM任务的标准方法，但现有系统通常将每个查询视为独立处理，导致重复检索和推理，增加计算成本。本文提出AutoPrunedRetriever，一种基于图结构的RAG系统，通过持久化早期问题构建的最小推理子图，并逐步扩展以处理后续问题。该系统使用紧凑的ID索引代码本存储实体和关系，将问题、事实和答案表示为边序列，从而在符号结构上进行检索和提示。为了保持图的紧凑性，采用两层整合策略（快速ANN/KNN别名检测和达到内存阈值后的选择性k-means），并修剪低价值结构，同时保留重叠代表和真正的新证据。实验表明，在GraphRAG-Benchmark（医学和新领域）上，两种变体均达到最先进的复杂推理准确率，优于HippoRAG2约9-11分，并在上下文摘要和生成任务中保持竞争力。在更难的STEM和TV基准测试中，AutoPrunedRetriever再次排名第一，且使用的token数量比基于图的基线少两个数量级，使其成为长期会话、动态语料库和多代理流水线的实用基础。