arXiv cs.CL· Ning Wang, Kuanyan Zhu, Daniel Yuehwoon Yee, Yitang Gao, Shiying Huang, Zirun Xu, Sainyam Galhotra·· 11 小时前AI 评分38
AutoPrunedRetriever：用持久化推理图实现高效可扩展的 RAG
AutoPrunedRetriever: Persistent Reasoning Graphs for Efficient and Extensible Retrieval-Augmented Generation
AI 导读
AutoPrunedRetriever（APR）是一个基于图的 RAG 系统，用共享符号码本同时充当检索索引和持久记忆，把事实、问题与答案编码为紧凑边序列，使已建立的推理结构可直接检索复用。
正文 · AI 翻译
摘要：检索增强生成（RAG）已成为知识密集型 LLM 任务的标准方法。复杂推理仍然具有挑战性，因为查询往往需要通过多个相互依赖的推理步骤来组合分散的证据。然而，现有的 RAG 系统独立处理查询，反复检索重叠的证据并重建已建立的推理。保留此类推理可使先前检索到的证据和中间结果可供后续查询复用。然而，随着历史记录增长，推理时复用的成本越来越高，这促使人们寻求一种紧凑表示，既能保留有用信息，又不会造成显著的质量损失。为应对这些挑战，我们提出 AutoPrunedRetriever（APR），一种基于图的 RAG 系统，它在共享符号码本中编码语料事实和查询衍生的推理。该码本既作为检索索引，也作为持久记忆，将事实、问题和答案表示为紧凑的边序列，从而可以直接检索和复用先前建立的结构。在推理时，APR 检索查询特定的推理路径并构建紧凑提示，同时增量整合使不断增长的记忆保持紧凑。对于无法替换检索器的部署场景，我们引入 AutoPruned Layer（APL），它保持宿主检索不变，但用共享符号码本中的相应条目替换检索到的上下文，并将每个问题和答案写回为紧凑结构。在五个复杂推理基准上，APR 相比最强基线将准确率提高了 1.8-10.8 个百分点，同时使用的输入 token 最多减少 96%。APL 在宿主系统中将生成器输入减少 60-96%，并在文档风格上下文中保持答案质量。
| 主题： | 数据库（cs.DB）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2602.04926 [cs.DB] |
| （或此版本的 arXiv:2602.04926v2 [cs.DB]） | |
| https://doi.org/10.48550/arXiv.2602.04926 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ning Wang [查看电子邮件]
[v1]
2026 年 2 月 4 日星期三 08:48:11 UTC（202 KB）
[v2]
2026 年 10 月 15 日星期四 18:20:34 UTC（1,044 KB）
来源：arXiv cs.CL · arxiv.org