长上下文LLM虽强大，却面临计算昂贵和推理深度不足的挑战。传统RAG又过于扁平化。FABLE框架另辟蹊径，通过构建森林结构索引和双路径检索，实现了检索深度与效率的动态平衡，为多文档推理任务带来了显著性能提升和成本优化。
智能速览
长上下文LLM面临"lost-in-the-middle"和高成本问题。
FABLE提出森林结构索引，融合细节与摘要。
双路径检索实现语义导航与结构感知传播。
实验显示，FABLE在多项任务上大幅超越基线模型。
仅需31K tokens即可媲美517K tokens的全上下文模型。
精华内容
FABLE的核心在于将LLM从单纯的“使用者”转变为知识“组织者”，通过构建分层森林索引，让检索过程更具结构化与目的性。
挑战与局限
长上下文大语言模型（LLM）虽然解决了部分信息长度限制，但依然面临三大核心挑战。"lost-in-the-middle"现象导致模型难以有效利用长文本中间的关键信息，计算成本随上下文长度剧增，且在处理多文档间复杂关系时表现不佳。与此同时，传统的检索增强生成（RAG）方法依赖扁平化的文档块检索，容易割裂信息的内在结构，引入语义噪声，难以支撑需要跨文档综合推理的复杂任务。
森林结构索引
为应对上述挑战，FABLE框架创新性地引入了LLM来构建知识索引。它不再将文档简单切块，而是利用LLM的理解能力，创建一个多层次的分层森林索引。这个索引结构中，既有代表文档细节的叶节点，也有概括段落、章节乃至全文的更高层次节点。这种组织方式使得信息既有颗粒度，又有结构性，为后续的精准检索奠定了基础。
自适应双路径
基于森林索引，FABLE设计了自适应的双路径检索策略。第一条是LLM引导的语义导航路径，它能根据用户的查询，智能地在森林索引中“放大”查看具体细节或“缩小”浏览高层摘要，实现动态、灵活的探索。第二条是结构感知传播路径，它利用树节点间的父子、兄弟关系，主动补充和传播相关证据，确保检索的完整性。系统还支持显式的预算控制，可在计算成本和效果间进行权衡。
性能与效率
实验结果充分验证了FABLE的有效性。在多跳问答基准测试HotpotQA和2Wiki上，FABLE的精确匹配（EM）分数分别比此前最优的结构化RAG方法高出7.0和8.0个点。更惊人的是其在效率上的突破：FABLE仅使用31K tokens，就达到了与使用517K tokens的全上下文LLM相当的准确率，token消耗削减高达94%。在大规模智能体任务中，准确率提升了22.14个百分点，同时显著减少了工具调用次数。
FABLE的实践证明，长上下文与结构化检索并非替代关系，而是互补关系。通过让LLM深度参与知识组织与检索，FABLE为处理复杂多文档任务提供了新的高效范式。未来，这种自适应检索架构或将推动更多依赖深度推理的应用场景落地。
