HG-RAG: иерархический обход графов знаний точнее плоского RAG

Исследователь Pranav Yadav опубликовал на arXiv препринт о методе HG-RAG (Hierarchy-Guided RAG), подходе к retrieval-augmented generation (дополнению ответов языковой модели найденным контекстом) для случаев, когда знания организованы не плоским набором документов, а иерархическим графом (например, оргструктура, таксономия понятий или база фактов со связями «часть-целое»).

Обычные RAG-системы ищут релевантные фрагменты в плоском хранилище документов и плохо справляются с вопросами, которые требуют иерархического или реляционного рассуждения, например, «кто руководитель руководителя этого отдела» или «какие смежные объекты связаны с этим узлом». HG-RAG решает это через обход графа: сначала запрос привязывается к конкретному именованному узлу-«якорю» (named entity anchor), а затем контекст расширяется в трёх направлениях, вверх к родительским узлам, в стороны к связанным по смыслу соседям и вниз к дочерним узлам, если это нужно для ответа.

Автор сравнил HG-RAG с базовым методом плотного (dense) поиска на трёх графах знаний разного масштаба, от 18 до 800 узлов, и на четырёх типах запросов: локальный факт, иерархический вопрос, вопрос про окружение узла (neighborhood) и многошаговое (multi-hop) рассуждение. По итогам HG-RAG стабильно обходит плоский baseline именно на иерархических, реляционных и многошаговых запросах, а также реже галлюцинирует и лучше удерживает «локальную» смысловую связность ответа, то есть не подмешивает в контекст нерелевантные, хоть и похожие по тексту, фрагменты графа.

Конкретных числовых метрик (проценты точности, F1 и т.п.) в аннотации и на странице препринта не приведено, есть только качественный вывод об устойчивом превосходстве на соответствующих типах запросов. Работа опубликована как препринт объёма 8 страниц с 3 иллюстрациями, автор, единственный, институциональная аффилиация на странице arXiv не указана.

Ключевые факты

HG-RAG ищет в графе знаний не плоским поиском, а обходом: сначала привязывает запрос к именованному узлу-якорю, затем расширяет контекст вверх (родители), вбок (связанные узлы) и вниз (дети)
Метод протестирован на трёх графах знаний разного размера, от 18 до 800 узлов, и на четырёх типах запросов: локальный факт, иерархический, соседский (neighborhood) и многошаговый (multi-hop)
HG-RAG стабильно превосходит baseline плотного поиска именно на иерархических, реляционных и многошаговых запросах
Метод снижает галлюцинации модели и лучше сохраняет смысловую связность (locality coherence) подобранного контекста
Это одиночный препринт независимого автора Pranav Yadav без указанной институциональной аффилиации и без опубликованных числовых метрик точности

Почему это важно

Большинство RAG-систем построено вокруг плоского поиска: запрос превращается в вектор, и система находит похожие по смыслу фрагменты текста среди документов. Это плохо работает, когда знания структурированы иерархически или реляционно, то есть важен не только смысл фрагмента, а его место в структуре (кто чей родитель, что с чем связано). HG-RAG предлагает учитывать эту структуру напрямую: находить точку входа в граф и осмысленно обходить его окрестности вместо поиска «похожих» кусков текста. Это концептуально простая, но важная идея: там, где связи между фактами важнее самих фактов, обход графа должен работать лучше плоского поиска, и результаты автора это подтверждают на уровне тенденции.

Кому это важно

В первую очередь разработчикам, которые строят RAG поверх структурированных данных с явной иерархией: организационные структуры, таксономии продуктов и категорий, базы знаний с отношениями «часть-целое» или «родитель-потомок», корпоративные графы знаний. Также релевантно тем, кто делает ИИ-агентов, которым для ответа нужно несколько шагов рассуждения по связанным фактам (multi-hop), а не один релевантный документ.

Как это применить

Идея архитектуры описана достаточно конкретно, чтобы её можно было воспроизвести: (1) распознать в запросе именованную сущность и найти соответствующий узел в графе знаний, «якорь»; (2) в зависимости от типа вопроса расширять контекст вверх по иерархии (к родительским узлам), в стороны (к узлам, связанным отношениями, не входящими в иерархию) или вниз (к дочерним узлам); (3) собранный из этих узлов контекст передавать языковой модели вместо плоского набора текстовых фрагментов. Код или готовый инструмент в материале не упоминаются, это концептуальная работа, а не релиз библиотеки.

Можно ли доверять

С осторожностью. Это неопубликованный (в рецензируемом смысле) препринт на arXiv за авторством одного человека, Pranav Yadav, без указанной институциональной аффилиации, то есть работа не прошла независимое рецензирование. Тестовые графы знаний небольшие (от 18 до 800 узлов) и, судя по описанию, синтетические или контролируемые, а не реальные промышленные базы знаний. В самой аннотации и на странице препринта нет конкретных числовых метрик (точность, F1 и т.п.), только формулировка «стабильно превосходит». Идею стоит воспринимать как предварительное академическое исследование, а не как готовый к внедрению и проверенный метод.

Риски и подводные камни

Ключевые ограничения: (1) масштаб тестов, до 800 узлов, что на порядки меньше графов знаний, с которыми работают реальные корпоративные или веб-системы, и неясно, как метод ведёт себя на большем и более зашумлённом графе; (2) сравнение приведено только с одним baseline, плотным (dense) поиском, без сопоставления с другими графовыми RAG-подходами (например, GraphRAG); (3) обход графа по определению требует, чтобы граф знаний был заранее построен и качественно размечен, на неполных или шумных реальных данных выигрыш может исчезнуть; (4) отсутствие числовых метрик в открытых материалах затрудняет независимую оценку реального размера улучшения.

«Я представляю HG-RAG (Hierarchy-Guided RAG), фреймворк, который выполняет обход графа по иерархической структуре знаний, чтобы передавать языковой модели структурированный контекст.»

— Pranav Yadav, автор препринта