一种基于树的RAG框架：通过自适应规划和拓扑感知的证据收集实现证据密集型问答 · 智迹闻 AuraTracer

摘要由 AI 生成

研究人员提出名为 APT-RAG 的检索增强生成框架，旨在解决现有结构化方法在密集型问答中存在的结构僵化及忽视证据拓扑结构的问题。该框架依据问题依赖和证据需求动态扩展推理结构，利用兄弟节点证据复用、直接检索及子节点证据聚合提升证据覆盖度，并引入证据引导批处理以优化生成效率。实验表明，APT-RAG 在密集型问答基准测试中表现优于现有结构化 RAG 方法，相关代码已开源。

信号强度SIGNALS

关键词热度

APT-RAG1

全部报道（1）SOURCES

↗

A arXiv cs.AI en 2026-09-07 12:00

A Tree-based RAG Framework for Evidence-Intensive QA via Adaptive Planning and Topology-Aware Evidence Gathering

提出名为 APT-RAG 的自适应规划与拓扑感知证据获取检索增强生成框架，旨在解决现有结构化方法在密集型问答中存在的结构僵化及忽视拓扑结构的证据收集问题。该框架通过依据问题依赖和证据需求动态扩展推理结构，并利用兄弟节点证据复用、直接检索及子节点证据聚合提升证据覆盖度；同时引入证据引导批处理答案生成以减少生成开销。实验表明，APT-RAG 在密集型问答基准测试中优于现有结构化 RAG 方法，相关代码已开源。

存档