在单跳问答场景中，将文档切分成200字左右的片段进行向量相似度检索，再经由大语言模型直接生成答案，这种方式通常能够满足需求。而在多跳场景下，则需要从2到4份文档中筛选证据，拼接成一条逻辑连贯的推理链。传统文本块划分粒度较粗，每次检索带回的整段内容中，约60%属于干扰信息，关键句反而被淹没在冗余文本中——这直接导致推理链断裂，大模型开始“自由发挥”。
为什么传统RAG容易“断链”
单跳问答场景中，将文档切分成200字左右的片段进行向量相似度检索，再经由大语言模型直接生成答案，这种方式通常能够满足需求。而在多跳场景下，则需要从2到4份文档中筛选证据，拼接成一条逻辑连贯的推理链。传统文本块划分粒度较粗，每次检索带回的整段内容中，约60%属于干扰信息，关键句反而被淹没在冗余文本中——这直接导致推理链断裂，大模型开始“自由发挥”。
作者一针见血地总结道：“问题不在于检索不准，而是检索单元过于臃肿，逻辑关系混乱不堪。”
传统文本块图谱 SentGraph句级图谱
[整段1]——相似——[整段2] [S1]—因果→[S2]—对比→[S3]
│ │ 包含6句冗余内容
│ │
└── 句句相关上下文爆炸 └── 推理链清爽利落
图片
SentGraph的“瘦身”思路
将检索单元从“段落”精简到“句子”，再基于句子间真实的逻辑关系构建三层图谱结构。在线下完成图谱构建后，线上直接按图索骥进行检索。
图谱具体长什么样？
Topic 层——跨文档“桥梁”
↑
Core 句层——核心事实
↑
Sup 句层——背景、因果、举例
图片
线下建图三步曲
例：文档A《克罗地亚最新语言为克罗地亚语。》文档B《电影〈围城〉使用克罗地亚语拍摄。》系统线下就在Topic层建一条边：(克罗地亚语, 被用于, 电影《围城》)
线上推理三步曲
初选环节使用密集检索器将问题向量与所有句子向量比对，先取Top-K候选句。精炼环节让大语言模型担任“裁判”：无关句子直接剔除，证据充足则走“直接回答”分支；证据不足则触发“路径扩展”机制。路径扩展从保留的锚点句子出发，沿图谱中的邻接边进行广度优先搜索，将因果、对比、背景等关联句子逐一串联收集，直到拼凑出一条完整的证据链。
实验亮点
图片
在计算资源消耗方面表现优异：相比最强的文本块图谱方法KGP，平均减少30%的输入token和60%的输出token。轻量化模型也能胜任：7B参数的Qwen模型依旧领先14B参数的文本块方案。
局限与总结
图谱构建依赖大语言模型的关系识别能力，模型规模越大准确率越高，小模型可能引入噪声。目前仅针对多跳问答设计了精简的关系类型，其他任务需重新设计架构。线下构图计算量不小，后续可探索“增量式”更新策略。
将检索粒度细化到句子级，再勾勒出句子间的修辞关联，就能让多跳RAG系统实现“少废话、多证据、链不断”的理想状态。SentGraph仅用30%的token消耗就达到了最优效果，为“图谱+句子”这一新范式树立了标杆。
SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answeringhttps://arxiv.org/pdf/2601.03014