RAPTOR 如何构建层次化 RAG，什么时候比平铺 Chunk 检索更合适？

面试时怎么答

先描绘 RAPTOR 的树：底层是原始 Chunk，相近节点聚类后生成摘要，再继续向上聚合。检索时可以同时命中细节节点和高层摘要，因此适合跨章节主题或不同粒度的问题。

边界也要讲清：层次构建和摘要更新成本高，摘要错误可能向上累积；对于精确事实、频繁更新的小文档，平铺检索往往更直接。

可以这样答：

RAPTOR 将原始 Chunk 的表示反复聚类，并为每个簇生成摘要，形成从细节到主题的树状索引。查询时既能检索叶子节点，也能命中较高层摘要，所以面对跨章节概括、长文档主题和多粒度问题时，比只搜平铺 Chunk 更容易拿到完整背景。代价是建树与更新更重，摘要还会损失细节，因此最终事实仍需回溯叶子证据。

核心回答

RAPTOR 先把文档分成叶子片段并计算向量，然后对语义相近片段聚类，使用模型为每个簇生成摘要；摘要本身再次被向量化、聚类和总结，递归形成不同抽象层级的树。查询时可以从多个层级检索，使宏观问题命中高层摘要，细节问题仍命中叶子原文。

它尤其适合单篇或一组长文档中的主题概括、跨章节关系和多步信息组合。对精确事实、短独立文档或高频更新语料，普通 Chunk + 重排可能更简单可靠。摘要节点不能作为无来源的“新事实”，必须携带子节点与页码血缘，最终回答优先引用原文证据。

展开说明

建树参数包括叶子粒度、Embedding、聚类方法、每簇规模、摘要模型和检索策略。Top-down Traversal 能减少候选，但早期选错分支可能漏召回；在所有树节点上做 Flat Retrieval 更直接，却增加候选与重复。应把两者作为可测试策略，而非声称层次检索必然更优。

增量数据会影响聚类与上层摘要。生产中可按文档或稳定分区独立建树，对变更子树重建，并通过版本化索引原子切换。

工程实践

先建立平铺 Chunk + Reranker 基线，再只在需要全局语义的切片评估 RAPTOR。测试细节、概括、多跳和时效问题，记录叶子 Recall@K、最终答案正确率、引用能否回到原文、摘要事实错误率、构建 Token/时间、索引体积和更新延迟。

常见追问

1. 高层摘要可以直接作为最终引用吗？ 不建议只引摘要；它是生成内容，可能压缩或改写事实，应沿血缘回到原文页码和片段验证。
2. RAPTOR 与 GraphRAG 有什么区别？ RAPTOR 主要按语义聚类形成摘要树；GraphRAG 显式抽取实体关系并构建图与社区，两者结构和适用问题不同。
3. 为什么层次检索不一定胜过平铺检索？ 精确事实可能在摘要中被省略，树路由还会产生级联漏召回；短文档和简单查询的额外成本可能没有回报。

一句话复习

RAPTOR 用递归聚类摘要补充全局语义，但必须保留原文血缘，并用业务切片证明它胜过平铺基线。

参考资料

• 面经主题：公开 LLM 面试题主题汇总
• 原始论文：RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval
• 会议论文：ICLR 2024 RAPTOR