GraphRAG 退位，HG-RAG 雄起——给 RAG 装上层级指南针

📝

HG-RAG 在 GraphRAG 基础上显式区分「结构边」（父子层级）和「关系边」（横向关联），四步流水线（实体解析→层级锚定→横向遍历→子节点抓取）替代语义相似度检索。图越大优势越大：large 图上 baseline 准确率 0.02 → HG-RAG 1.86，multi-hop 评分从 1.66 → 4.10。

原文链接：GraphRAG退位，HG-RAG雄起
作者：PaperRAG
论文：HG-RAG: Hierarchy-Guided RAG for Structured Knowledge Graphs
代码：Pranubot/HG-RAG（Python）

问 LLM「Voss 城在哪个国家」，dense RAG 找 top-10 相似节点，但 country 节点语义不够近没被召回，模型只能瞎猜。这就是平铺式 RAG 的致命伤：它假设知识是平的、无结构的。

崩塌模式：自洽但全错

更阴险的发现：图越大 baseline 准确率越低，幻觉率却没升。

图规模	Baseline 准确率	幻觉率
Small (~18 节点)	1.00	—
Medium (~150 节点)	0.24	低
Large (~800 节点)	0.02	0.006

检索召回了错误节点，LLM 忠实地复述了错误内容——自洽但全错。光看幻觉率会以为系统没问题。

HG-RAG 核心抽象：两类边

HG-RAG 的核心创新是显式区分图上的两类边：

边类型	含义	示例
结构边（contains）	父子层级	Planet → Country → City
关系边	横向关联	borders / trade_with / hostile / unfriendly / neutral

检索不靠语义相似度，靠锚点 + 方向。

四步流水线

1	Query → ①实体解析 → ②层级锚定(k_up=2) → ③横向遍历(k_side) → ④子节点抓取(k_down)

第一步：Entity Resolution

LLM 扫 query 抽命名实体当锚点。失败时 4 级 fallback：

1	exact match → first-word match → fuzzy match(cutoff=0.5) → No entity

关键设计：fuzzy match 命中错误类型节点时（该要 country 却匹配到 city），静默回退到 ground-truth anchor——大图 name collision 场景的关键保险。

第二步：Hierarchy Anchoring（k_up=2）

从锚点沿 contains 边向上走两步，正好覆盖三层结构（City → Country → Planet）。

第三步：Lateral Traversal（k_side）

沿关系边横向扩展。关键工程取舍：子图硬 cap 15 节点，触到 cap 时 hostile 和 unfriendly 邻居永远优先于 neutral——对抗关系是最重要信息，不能被稀释。

第四步：Child Traversal（k_down=0）

按需向下抓子节点，默认关闭，只在 query 显式需要时开启。

序列化格式：

CityX is a city located in CountryY, on Planet Z + [PLANET]/[COUNTRY]/[CITY]/[RELATIONS] 分块标签

（试过箭头 notation，LLM 读不懂。）

实验结果

Mistral 7B 本地 Ollama 推理，三层合成世界。

指标	Small	Medium	Large
Baseline 准确率	1.00	0.24	0.02
HG-RAG 准确率	1.79	1.79	1.86
Baseline multi-hop	3.45	2.82	1.66
HG-RAG multi-hop	3.23	3.88	4.10

反直觉发现：图越大，HG-RAG 优势越大

Hierarchical 和 local_fact 上每个规模都满分 2.00
Multi-hop 评分：baseline 随规模退化（3.45→2.82→1.66），HG-RAG 随规模上升（3.23→3.88→4.10）

为什么小图拉不开差距？

小图 18 节点，15-node cap ≈ 整张图塞进去，过滤优势被稀释
Baseline 在小图上噪音本就少
大图上 cap 成了有效过滤器，baseline 在数百候选中迷失

关键启示

结构化知识该用结构化检索——语义相似度不是万能的
幻觉率低 ≠ 答案对——dense RAG 在大图上会「自洽地全错」
层级结构是信息——把结构边和关系边混为一谈等于扔掉最重要的导航信号

局限

仅在合成三层世界上验证，真实 KG 更复杂
Mistral 7B 自评自审的偏差未消除
Name collision 场景依赖 ground-truth fallback