SentGraph：一句一句把多跳RAG“画”成图

为什么传统 RAG 会“断链”

• 单跳场景：把文档切成 200 字左右的 chunk，做向量相似度检索 → LLM 直接答，够用。
• 多跳场景：需要把 2-4 份文档里的证据拼成一条“推理链”。chunk 粒度粗，一次就带回一整段，里面 60% 是干扰句，关键句反而被淹没 → 链条断了，LLM 开始“胡编”。

作者一句话总结：“不是检索不准，是检索单元太胖，逻辑关系太乱。”

传统 chunk 图     SentGraph 句图
[整段1]——相似——[整段2]  [S1]—因果→[S2]—对比→[S3]
↓ 含 6 句废话      ↓ 句句相关
上下文爆炸        推理链清爽

---

SentGraph 的“瘦身”思路

把检索单元从“段”缩到“句”，再把这些句子按真正的逻辑关系画成一张三层图，线下建好，线上直接按图索骥。

图长啥样？

Topic 层——跨文档“桥梁”
↑
Core 句层——核心事实
↑
Sup 句层——背景、因果、举例

---

线下建图三步曲

步骤	做什么	关键技术	解决痛点
① 拆句	把文档切成单句	常规 NLI 模型	避免 chunk 冗余
② 找关系	识别句间 12 种修辞关系	精简版 RST（修辞结构理论）	把“因为、但是、例如”显式化
③ 架桥梁	跨文档实体对齐	LLM 生成“实体-关系-实体”三元组	让多文档证据连成一条线

例：
文档 A「克罗地亚官方语言为克罗地亚语。」
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

1. Anchor 初选
   用 dense retriever 把“问题向量”和所有句子向量比对，先取 Top-K 候选句。

2. Anchor 精炼
   让 LLM 当“裁判”：

• 无关句子直接扔掉
• 证据已够 → 走“直接答”分支
• 证据不够 → 触发“路径扩展”

• 路径扩展
  从保留的 anchor 出发，沿图中的 N-N、N-S 边做 BFS，把“因果、对比、背景”句子一串一串捞回来，直到凑齐一条完整证据链。

---

实验亮点

数据集	最佳基线 (BGE)	SentGraph	绝对提升
HotpotQA	44.0 EM	48.8 EM	+4.8
2Wiki	36.8 EM	42.0 EM	+5.2
MuSiQue	21.2 EM	26.8 EM	+5.6
MultiHopRAG	63.4 Acc	65.6 Acc	+2.2



• token 更省：比最强 chunk-level 图方法 KGP 平均少 30% 输入、60% 输出。
• 模型更“小”也能用：7B Qwen 上依旧领先 14B 的 chunk 方案。



---

局限 & 总结

1. 建图靠 LLM 写关系，大模型更准，小模型会引入噪声。
2. 目前只针对多跳 QA 做了关系类型精简，别的任务得重新设计。
3. 线下构图计算量不小，后续可探索“增量式”更新。

把检索粒度缩到句，再把句子间的“修辞小箭头”画出来，就能让 RAG 在多跳问答里“少废话、多证据、链条不断”。
SentGraph 用 30% 的 token 做到 SOTA，给“图+句子”这一新范式打样。

SentGraph: Hierarchical Sentence GraphforMulti-hop Retrieval-Augmented Question Answering
https://arxiv.org/pdf/2601.03014