从文本匹配到结构理解:港中文BookRAG重新定义复杂文档RAG范式
检索增强生成(RAG)技术已逐渐成为大模型落地的核心方案,但在处理手册、书籍、行业报告等具备严格层次化结构的复杂文档时,传统方法往往力不从心。现有方案大多将文档机械切分为固定长度的文本块,导致原有的目录层级、章节归属及跨块关联被彻底破坏。面对关键词查询、复杂多跳查询及全局统计查询等异构需求,传统RAG仍采用单一的静态检索策略,难以兼顾效率与精度。针对这一痛点,香港中文大学团队提出了BookRAG,这是一款面向层次化复杂文档的结构感知RAG方案,旨在通过结构与语义的深度融合,解决检索碎片化与流程僵化的问题。
01技术架构:BookIndex 图-树融合底座
BookRAG 的核心在于构建了 BookIndex,这是一个融合了文档结构形态与语义关联的索引底座,定义为三元组 B=(T, G, M)。该架构通过“图-树链接”技术,将语义实体始终锚定在文档的结构位置上,实现了结构骨架与语义血肉的彻底打通。
复杂文档处理模式对比
结构感知导航式检索
构建层级树:通过布局解析还原章节结构,识别内容归属。
建立知识图谱:提取实体并构建关系,支持多跳推理。
图-树锚定:将实体绑定回章节节点,保留文档原生位置。
动态规划:根据查询类型智能选择检索策略。


无结构盲目全文检索
机械切片:忽略文档目录与层级,切成固定长度文本块。
语义断裂:跨章节关联丢失,无法回溯信息来源。
静态策略:无论查询复杂度,均采用统一的向量匹配方式。
上下文缺失:检索结果缺乏整体结构逻辑支撑。
02检索逻辑:基于信息觅食的动态规划
借鉴信息觅食理论,BookRAG 将查询关键词视为线索,将文档章节视为信息斑块,设计了一套三阶段智能检索流程。系统首先通过智能体区分查询类型,随后动态组合操作符生成检索计划,最终在结构树中精准执行。针对不同复杂度的查询,系统采用差异化的处理策略以最大化信息收益。
三类异构查询策略
单跳查询
精准定位特定章节信息
- 直接通过实体或关键词定位到对应的章节子树。
- 仅在锁定的小节范围内执行检索,避免全文扫描。
- 相当于直接翻到书的对应小节查找答案。
多跳查询
跨章节关联与推理
- 将问题拆解为子问题,分别定位不同章节。
- 利用层级关系合并跨块证据。
- 类似翻到第2章找A,翻到第5章找B,再整合答案。
全局聚合查询
大范围统计与筛选
- 按页面范围、章节层级或模态类型过滤整棵结构树。
- 快速统计数量或汇总特定类型(如图表)的内容。
- 相当于按目录筛选全书元素,无需逐页查找。
03性能评估:精度与效率的双重提升
| 评估维度 | BookRAG 表现 | 对比基线表现 |
|---|---|---|
| 问答精度 (M3DocVQA EM) | 61% | 次优基线 43% |
| 检索召回率 (M3DocVQA) | 71.2% | 最优基线 (低26.7个百分点) |
| Token 消耗 | 相比 DocETL 降低一个数量级 | 较高 |
| 查询延迟 | 最高提升 2 倍 | 较慢 |
BookRAG 与主流基线方法的关键指标对比
此外,消融实验显示移除核心模块后性能显著下降。针对文档问答中常见的实体碎片化问题,BookRAG 采用了梯度式实体消歧策略,将计算复杂度从 O(n²) 降至 O(n)。通过识别评分分布中的“高原-断崖-平原”特征,系统能高效分离同义实体,将昂贵的模型调用次数大幅降低,在图谱质量与计算效率之间取得了平衡。
04局限性与总结
- 检索范式未彻底突破
仍受限于“先限定范围、再筛选碎片”的范式,面对子章节内的超长内容,仍需执行文本分块操作。 - 缺乏动态感知能力
并未具备自主感知文档结构相关性的能力,无法根据查询意图动态调整检索粒度与 Top-k 数量。 - 规划错误风险
智能体倾向于将详细的单跳查询过度分解为不必要的多跳子任务,导致检索路径分散,影响最终答案的合成连贯性。
总体而言,BookRAG 通过 BookIndex 实现了“树形结构”与“图关系”的统一,并配以动态规划,有效缓解了传统 RAG 在复杂文档上的碎片化与流程僵化问题。它证明了保留文档原生结构不仅能带来稳定的精度收益,也能大幅提升检索效率。尽管距离像人类一样真正读懂文档、自主关联语义的理想状态仍有距离,但它为追求结构化、可复用、可理解的 RAG 系统提供了一条切实可行的技术路径。
当前文章无评论,是时候发表评论了