HugRAG：面向RAG的分层因果知识图设计

检索增强生成（RAG）通过引入外部知识增强了大型语言模型的能力，而基于图的RAG已成为结构化检索和推理的强大范式。然而，现有基于图的方法通常过度依赖表面级节点匹配，并缺乏显式的因果建模，导致答案不忠实或出现虚假信息。以往尝试引入因果性的方法通常局限于局部或单文档上下文，并且由于模块化图结构导致信息隔离，阻碍了可扩展性和跨模块因果推理。为了解决这些问题，我们提出了HugRAG，一种通过分层模块间的因果门控重新思考知识组织的框架。HugRAG显式建模因果关系，以抑制虚假相关性并实现大规模知识图上的可扩展推理。大量实验表明，HugRAG在多个数据集和评估指标上始终优于竞争性的基于图的RAG基线。我们的工作为结构化、可扩展且基于因果的RAG系统奠定了理论基础。