arXiv cs.AI· Meghanadh Pulivarthi, Swaraj Kumar Biswal, Kushagra Bhushan, Yatin Nandwani, Sachindra Joshi, Dinesh Raghu·· 9 天前AI 评分30
RIT-RAG：用检索诱导树在文档语料中导航
RIT-RAG: Navigating Document Corpora with Retrieval-Induced Trees
AI 导读
RIT-RAG 将内容检索与结构导航结合，离线为每篇文档基于目录或站点地图构建树，查询时先检索一批 chunk 并用其位置诱导出可管理的子树，再由 LLM 智能体选择性阅读节点并按需改写查询。
正文 · AI 翻译
摘要：检索增强生成（RAG）将语言模型建立在外部语料库之上。Agentic RAG 支持迭代搜索，但使模型暴露于孤立的文本块而缺乏文档结构，从而难以区分相关证据与仅仅与查询相似的文本块。诸如 PageIndex 之类的结构感知方法能够导航文档结构，但无法扩展到大型语料库的结构，因为这些结构无法放入 LLM 上下文中。因此，它们首先使用文档检索器确定单个文档，并且无法从错误选择中恢复。我们提出 RIT-RAG（Retrieval-Induced Tree RAG），它将内容检索与结构导航相结合。离线时，RIT-RAG 根据每个文档的目录或站点地图为其构建一棵树。在查询时，它检索一组广泛的文本块，并利用它们的位置来归纳出可管理的子树，可能跨越多个文档。一个 LLM 智能体导航这些子树，有选择地读取有希望的节点，并在需要时重新表述查询。因此，检索提出在哪里查找，而智能体决定读取什么。在金融、科学和客户支持基准上，RIT-RAG 在 vanilla、基于图和 agentic 基线中取得了最高的答案准确率。在 EntQABench 上，这是我们包含 284 万个技术文档网页的新基准，它在三个 LLM 上将准确率比最强基线提高了 6.8 到 11.4 个百分点。
| 评论： | 24 页（正文至 Limitations 结束于第 9 页，随后是参考文献和附录），9 幅图，16 张表 |
| 主题： | 人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.11370 [cs.AI] |
| （或 arXiv:2610.11370v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11370 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Meghanadh Pulivarthi [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 07:03:17 UTC（116 KB）
来源：arXiv cs.AI · arxiv.org