EraRAG 是一种突破传统 GraphRAG 限制的前沿框架，专为动态语料库场景打造，能够实现高效的增量更新与检索，无需每次重建完整图结构。接下来，我们将从核心技术、实验验证到实际应用，逐步拆解 EraRAG 的工作方式与核心优势。

1. EraRAG 核心技术深度解析

1.1 多层图构建框架

EraRAG 的核心构建流程包含两个关键步骤：

• LSH 分段（基于超平面的局部敏感哈希）：首先，将语料库划分为文本块，每个块转换为向量嵌入编码。然后把这些向量投射到 n 个随机超平面 上，得到 n 位二进制哈希码。哈希码相近的向量会被自动归入同一哈希桶。
• 第二层划分与调整：对桶的大小进行精准控制——过小的桶与相邻桶合并，过大的桶则继续分割。最终形成层次分明的图结构，每一层保存着不同粒度的语义摘要。

1.2 高效增量更新机制

当新文档加入时，EraRAG 只需进行局部调整：

• 新文本块被编码后，仅插入到对应的哈希桶中。
• 向上传播影响只限于受影响的段落，不会触发全局重计算。
• 这种选择性重构机制确保了更新的极致高效，更新时间和令牌消耗相比传统 GraphRAG 可降低数个数量级。

1.3 查询处理：折叠图搜索

用户查询进入后，EraRAG 支持两种自适应检索模式：

• 详细搜索：优先从叶层（原始块）检索，再向高层补充摘要信息，适合需要精确事实的查询。
• 总结搜索：优先从高层摘要层检索，再向下补充细节，适合需要概括性答案的查询。

两种模式可根据查询类型自动切换，确保 检索质量与上下文预算的最佳平衡。