REBot提出CatRAG框架：融合密集检索与图路由的增强生成

REBot提出CatRAG框架：融合密集检索与图路由的增强生成

日前，REBot团队在arXiv预印本（编号2510.01800v3）中正式提出CatRAG框架，一套将密集检索与图路由融合在一起的增强生成系统。说白了，就是让AI在回答问题时，既能像搜索引擎那样快速匹配文档，又能像导航一样沿着知识图谱的路径推理，最终给出更靠谱的答案。

学术规范咨询的痛点，为什么非得搞个新框架？

不少高校和机构想用AI帮学生解读校规、处理选课异议，但现有方法要么只会死记硬背条款，要么逻辑链条断裂。CatRAG的巧妙之处在于，它把检索增强生成（RAG）和图推理打包在一起——密集检索负责从海量文本中定位相关段落，图路由则沿着分层、带类别标签的知识图谱走一遍，把分散的规则串成一条清晰的推理链。没错，这就好比既有图书馆的索引员，又有老练的导游。

CatRAG到底怎么干活？

1. 先通过密集检索从规则库中捞出候选段落，这一步挺常规，胜在速度快。
2. 再把这些候选段落映射到预先构建的语义知识图谱上，图谱本身就是分层分好类的，比如“选课规则”→“学分上限”→“特殊情况”。
3. 最后用图路由算法沿着图谱节点走一遍，把碎片化信息组织成完整的推理路径——这就是真正的“增强生成”。

凭什么说它比传统RAG强？

传统检索增强生成（RAG）常常忽略不同条款之间的逻辑关联，比如学生问“我休学回来能不能补选？”直接检索可能只找到“休学流程”，却漏了“选课截止日期”那条。CatRAG的图路由能主动跳转到相关节点，把这两条规则串成“休学恢复后30天内可补选”这样的结论。其实，这个思路和咱们日常查政策时“翻条款→看例外→找关联”的思维挺像的。

这套框架背后的支撑力量

CatRAG之所以能落地，离不开LLM的加持。REBot把大语言模型当作推理引擎，让它根据图谱路由结果生成最终回答。更重要的是，知识图谱本身是分层的、带类别标签的，并且通过语义特征做了丰富——这意味着即便是冷门的专业术语，系统也能找到相关的概念节点。那这不就等于给AI配了一本“校园规则百科全书”吗？

说到底，CatRAG的价值不止于学术咨询

任何需要结合规则库和逻辑推理的场景，比如法律条文检索、医疗指南问答，甚至企业内部规章培训，都能套用这个架构。密集检索保证覆盖率，图路由保证逻辑性，两招一结合，确实让增强生成变得更有脑子了。咱们可以期待，未来这类混合推理框架会在更多垂直领域派上用场。