主要关注LLM、RAG、Agent等AI前沿技术，每天分享业界最新成果和实战案例。

一、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

二、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

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”

3. 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。

三、实验亮点

• 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。

四、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 Graph for Multi-hop Retrieval-Augmented Question Answeringhttps://arxiv.org/pdf/2601.03014

每天一篇大模型Paper来锻炼我们的思维~已经读到这了，别忘了点赞、关注噢

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】