构建基于 SAGE 的可解释图 RAG 系统

检索增强生成 (RAG) 的演进已经超越了简单的向量相似度匹配。虽然传统的 RAG 将数据视为平面向量空间中孤立的“块” (Chunks)，但现实世界的信息本质上是相互关联的。这就是 SAGE (Structure Aware Graph Expansion，结构感知图扩展) 框架发挥作用的地方。它提供了一种构建可解释、多跳检索系统的健壮方法。通过集成来自 n1n.ai 的高性能 LLM 后端，开发者现在可以以前所未有的速度和可靠性实现这些复杂的图结构。

传统平面检索的局限性

标准的 RAG 架构经常遭遇“语义鸿沟”问题。在平面检索模型中，系统计算查询嵌入与文档嵌入之间的距离。如果一个查询需要连接两个互不相关的片段——例如乐队的成立日期和特定专辑的主题——检索器可能无法桥接这种跨度。

例如，如果你问：“哪部摇滚歌剧是由 1965 年成立的乐队发行的？”，平面检索器可能会找到乐队的历史（提到 1965 年）或专辑《The Wall》（提到摇滚歌剧），但它很少能将两者同时排在足够高的位置以合成答案。SAGE 通过离线构建结构化图来解决这个问题，捕捉异构数据点之间的“连接组织”。

SAGE 框架的核心架构

SAGE 的核心在于创建一个可审计的检索基座。与黑盒嵌入模型不同，SAGE 使每一个检索步骤都变得确定且可检查。这对于企业级应用至关重要，因为在这些应用中，可解释性不仅是一项功能，更是监管要求。

1. 离线图构建

该过程从处理异构数据块开始。在我们的示例中，我们使用传奇乐队平克·弗洛伊德 (Pink Floyd) 作为数据集，包含 8 个不同的节点：

• 乐队身份：Pink Floyd (伦敦，1965 年)。
• 作品目录：《Dark Side of the Moon》、《The Wall》、《Wish You Were Here》。
• 成员：David Gilmour、Roger Waters、Syd Barrett。
• 个人作品：David Gilmour 的《About Face》。

SAGE 对所有节点对执行 $O(N^2)$ 的相似度分析。通过 n1n.ai 调用 Claude 3.5 Sonnet 或 GPT-4o 等模型，我们可以生成捕获这些实体之间微妙关系的维度嵌入。

2. 95% 分位数剪枝规则

图 RAG 的一个常见陷阱是“毛球”效应——即每个节点都与其它所有节点相连，导致噪声过多。SAGE 实施了基于统计阈值的严苛剪枝策略。

具体而言，系统计算每一条可能边的余弦相似度。为了确保高精度，只有处于相似度得分前 5% (即 95% 分位数) 的边才会被保留。这确保了生成的图只反映最强的语义邻域。例如，David Gilmour 和 Roger Waters 之间由于高度共享的上下文会保留一条边，而城市与个人专辑之间的随机连接如果相似度 < 0.85，则会被剪掉。

使用 JSON-LD 进行数据表示

SAGE 使用 JSON-LD (JSON for Linked Data) 作为其主要的导出格式。这一选择具有战略意义。JSON-LD 允许图结构与现有的知识图谱标准和 Web 规模的链接数据系统互操作。

{
  "@context": {
    "schema": "https://schema.org/",
    "sage": "urn:sage:ontology:",
    "isPartOf": { "@type": "@id" }
  },
  "@type": "sage:KnowledgeGraph",
  "sage:framework": "SAGE (Structure Aware Graph Expansion)",
  "@graph": [
    {
      "@type": "CreativeWork",
      "@id": "urn:sage:chunk:pf-band",
      "name": "Pink Floyd Band Info",
      "description": "Pink Floyd 是一支 1965 年在伦敦成立的英国摇滚乐队。",
      "mentions": { "London": "CITY", "Pink Floyd": "BAND", "1965": "DATE" }
    },
    {
      "@type": "Relationship",
      "source": { "@id": "urn:sage:chunk:pf-band" },
      "target": { "@id": "urn:sage:chunk:pf-album-wall" },
      "relationshipType": "DOC_DOC",
      "weight": 0.85
    }
  ]
}

通过使用这种格式，图不再仅仅是向量列表；它变成了一个 AI 代理可以逻辑遍历的结构化地图。

多跳检索流程详解

当一个复杂的查询进入系统时，SAGE 遵循两阶段执行路径：

1. 种子选择 (Seed Selection)：检索器识别“种子节点”。在关于 1965 年成立的乐队的查询中，系统匹配“Pink Floyd 乐队信息”节点，因为它明确包含 1965 年这一年份。
2. 图扩展 (Graph Expansion)：检索器不会停在种子节点，而是沿着 JSON-LD 结构中定义的边进行“行走”。它遵循 DOC_DOC 关系找到《The Wall》。由于《The Wall》被标记为“摇滚歌剧”，系统现在拥有了回答查询所需的所有组件。

这种“行走”正是实现多跳推理的关键。LLM 作为推理引擎，决定遵循哪些边。利用 n1n.ai 提供的统一 API，你可以调用具有超长上下文窗口的模型来处理这些扩展的图上下文，而不会触发 Token 限制。

专家建议：在生产环境中扩展 SAGE

虽然 $O(N^2)$ 对于小数据集是可行的，但扩展到数百万个文档需要进行优化。我们建议使用近似最近邻 (ANN) 搜索来预筛选潜在的边，然后再为 95% 分位数剪枝计算精确的相似度。这种混合方法既保持了 SAGE 的结构完整性，又确保了离线构建过程的高效性。

此外，通过将检索引擎暴露为可调用工具 (例如使用 Tools4AI 框架)，你的 AI 代理可以动态决定是否需要 expandNode，或者 seedNode 是否已经提供了足够的信息。这种自主性是高级 RAG 实现的标志。

总结

SAGE 将 RAG 从简单的“搜索并总结”任务转变为复杂的知识发现过程。通过利用结构桥梁和统计剪枝，它消除了传统向量搜索的“黑盒”性质。要开始使用全球最强大的模型构建你自己的图 RAG 系统，请将你的工作流与 n1n.ai 集成。

在 n1n.ai 获取免费 API 密钥。