全局检索与本地检索生成对比
作者:问题终结者2026.11.16 10:53浏览量:0简介:本文对比知识图谱增强问答中的全局检索生成与本地检索生成:前者面向跨全文的宏观问题,后者聚焦实体邻域的细节问答。读者可据此理解架构差异、检索路径、适用场景与选型边界,降低方案误配风险。
在基于知识图谱的检索增强生成体系中,回答质量高度依赖“检索范围如何划定”。一类问题需要通读整份语料才能形成判断,例如某部作品的核心矛盾、某份报告的总体结论;另一类问题则围绕具体对象展开,例如某角色、某机构或某事件的属性与关系。前者通常采用全局检索生成,后者采用本地检索生成。二者共享“先检索后生成”的框架,但在索引对象、召回路径、上下文组织和计算开销上差异明显,选型不当会直接导致答案空泛或关键证据缺失。
对比背景在于:传统向量检索往往以文本块为粒度,难以同时兼顾“全文主题”和“实体细节”。图谱化处理后,文档被抽象为实体、关系、声明以及更高层的社区摘要。全局路径优先使用社区级报告回答宏观问题;本地路径则从查询映射到实体,再沿邻域展开关系、声明与原文片段。理解这两条路径,才能在系统设计时决定索引层级、提示词预算和延迟目标。
对象定义方面,全局检索生成面向数据集级问题。它依赖社区发现将实体聚类,并为每个社区生成结构化报告(主题、要点、支撑证据)。回答时先根据问题选择相关社区报告,再交由大模型综合。其价值在于压缩全文信息,使模型不必在推理阶段扫描全部原文。本地检索生成面向实体级问题。典型流程是:将查询嵌入后与实体描述做相似度匹配,得到候选实体;再根据实体拉取社区报告、关系边、声明以及原文片段;最后把多源证据拼入提示词完成生成。其价值在于证据可追溯、细节密度高。
相同点首先体现在目标一致:都是为降低幻觉、提高可解释性,把生成建立在可检索证据之上。其次,二者都依赖同一套图谱资产——实体、关系、文本块以及可选的社区摘要,因此数据准备(抽取、消歧、嵌入)可以复用。再次,生成阶段都采用“检索结果 + 用户问题”的提示结构,并受上下文窗口限制,需要排序与截断策略。最后,二者都可叠加重排序、引用标注和拒绝回答机制,以控制事实性风险。
核心差异可从架构、功能、性能、接入与运维等维度展开。架构上,全局路径的关键组件是社区划分与报告生成,系统边界偏“离线摘要 + 在线选择报告”;本地路径的关键组件是实体向量库与邻域扩展,系统边界偏“在线多跳召回”。功能上,全局路径擅长主题归纳、趋势对比、矛盾提炼;本地路径擅长属性查询、关系解释、事件还原。性能上,全局路径在线检索量小、延迟相对稳定,但离线建图与写报告成本高;本地路径在线跳数和召回条数随问题复杂度上升,延迟与提示词长度更敏感。扩展性上,语料增长时全局路径需周期性重建社区,本地路径需维护实体嵌入索引的增量更新。安全与合规上,二者都要把原文访问纳入权限控制:全局报告可能聚合跨文档信息,需防止越权摘要;本地路径直接回原文,需按文档级 ACL 过滤。运维上,全局路径要监控社区质量(过粗则空泛、过细则报告爆炸);本地路径要监控实体映射准确率与邻域噪声。成本结构上,全局偏一次性计算与存储摘要,本地偏在线向量检索与更长上下文的推理费用。使用边界上,纯宏观问题用本地路径会证据碎片化;纯细节问题用全局路径会丢失专有名词级事实。
可用下表概括关键差异:
| 对比维度 | 全局检索生成 | 本地检索生成 |
|---|---|---|
| 主要索引对象 | 社区报告、高层主题 | 实体描述、关系、声明、原文 |
| 典型问题 | 全文主旨、核心矛盾、整体评价 | 某对象是谁、有何关系、原文如何描述 |
| 在线检索路径 | 问题到社区再选报告 | 问题到实体再到邻域多源证据 |
| 离线成本 | 社区发现与报告生成较重 | 实体嵌入与图存储为主 |
| 在线延迟特征 | 召回集合相对固定 | 随 top-k 与跳数波动 |
| 证据粒度 | 概括性强、细节弱 | 细节强、需防噪声 |
| 更适合的团队 | 强调主题洞察与报告类问答 | 强调实体检索与可引用细节 |
典型场景选择应条件化。若业务是政策解读、书籍书评、舆情总览,宏观结论优先于单句出处,全局路径更匹配。若业务是知识库客服、人物关系查询、合规条款定位,必须落到具体实体与原文,本地路径更匹配。混合问答(既问“这本书讲什么”又问“某人物做了什么”)往往需要路由:用问题分类或意图识别选择路径,或先本地后全局做互补。团队运维能力有限、更新频率低时,可先做较粗的社区报告降低在线复杂度;更新频繁、实体量大时,应优先把实体索引做成可增量维护,避免每次全量重建社区。
选型建议不是二选一绝对化。上下文窗口紧张、用户要“一句话结论”时,加重全局报告权重。监管要求每句可溯源时,加重本地原文与声明权重,并在生成结果中保留引用。图谱质量差(实体抽取噪声高)时,本地路径会放大错误映射,应先提升抽取与消歧,而不是盲目加大 top-k。社区划分不稳定时,全局答案会随重建漂移,需固定算法版本并做报告回归测试。
迁移与使用注意:从纯向量块检索迁到双路径时,要统一实体 ID、文本块 ID 与权限模型,避免报告引用了用户无权访问的原文。接口上建议输出“所用路径、命中实体/社区、引用片段”,便于评测与审计。稳定性方面,本地路径应对“查询无法映射到实体”做降级(退回关键词或块检索);全局路径应对“无相关社区”做降级(返回“证据不足”而非臆造综述)。兼容性上,提示词模板、截断策略、嵌入模型变更都会改变命中集合,需用固定问题集做回归。切勿在未做权限过滤前把社区报告直接对全员开放。
示意性流程可用伪代码表达本地路径(全局路径则把实体映射替换为社区选择):
q_vec = embed(query)entities = knn(entity_store, q_vec, k)ctx = []ctx += reports_of(entities)ctx += relations_and_claims(entities)ctx += source_chunks(entities)answer = generate(query, rank_and_truncate(ctx))
总结:全局检索生成与本地检索生成同属图谱增强问答,差别在于“先摘要再问答”还是“先实体再邻域展开”。宏观洞察选全局,实体细节选本地,复杂产品应用路由与降级。决策应围绕问题分布、证据粒度、延迟预算、权限模型和运维能力展开,而不是追求单一路径覆盖全部问法。

登录后可评论,请前往 登录 或 注册