LeanRAG:更省上下文的图 RAG(AAAI' 26)
今天分享一篇 RAG 方向的新论文:LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval。
它关注的问题很直接:KG-based RAG 虽然更结构化,但检索时经常又贵又冗余,尤其是复杂问答里,图建好了却没真正"用起来"。以前的 GraphRAG / HiRAG 类方法,核心思路是把文档组织成知识图谱或层级摘要。但问题在于:高层摘要节点之间常常像一个个"语义孤岛",检索阶段又容易退化成 flat search,最后塞给 LLM 一堆看似相关、实际很吵的上下文。
核心思路:让图真的可导航
LeanRAG 不只是把实体聚类成更高层概念,还会显式生成聚合实体之间的关系。这样高层节点不再只是孤立 summary,而是一个可以走路径的 semantic network。
层级知识图谱聚合
先用 embedding + GMM 做递归语义聚类,再用 LLM 生成聚合实体和聚合关系。
LCA 结构化检索
查询时,LeanRAG 先锚定最相关的底层实体,再通过 Lowest Common Ancestor 路径向上找共享概念。
实验结果很亮眼
在四个 QA benchmark 上,LeanRAG 多数指标超过 SOTA。更重要的是,它平均减少了 46% retrieved context tokens,说明不是单纯"堆更多上下文"换效果。
一些思考
这个工作比较有感触的是:RAG 的瓶颈已经不只是"召回准不准",而是知识结构和检索策略是否协同。LeanRAG 的价值在于,它把 KG 的拓扑信息真正放进了 retrieval path 里,而不是只当一个漂亮索引。
但实验主要依赖 LLM-as-judge,且主实验使用商业 API,真实系统里的成本、延迟、图构建稳定性还需要更多验证。尤其是 LLM 生成高层关系这一步,如果知识库规模很大,维护成本可能不低。