https://github.com/idiap/ToPG
https://arxiv.org/pdf/2601.04859
A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs
一、RAG 的三座“大山”
| Chunk-RAG | ||
| Iterative-RAG | ||
| KG-RAG |
一句话痛点：粒度 vs. 结构不可兼得——要么信息太粗，要么结构太硬。
二、ToPG 把“粒度”和“结构”同时做软
2.1 核心思想
图 1 一张图看懂 ToPG 框架
异构图：命题节点（蓝色）既连实体（橙色）也连段落（绿色），实现“细粒度+高连通”
用命题（proposition）作为最小知识单元，把“实体-命题-段落”拼成一张异构图，再让 LLM 以“建议-选择（Suggestion-Selection）”的方式边导航边反馈，实现三种搜索模式：
| Naive | ||
| Local | ||
| Global |
2.2 关键技术细节
图 2 分步骤示例：Local 模式如何 2 跳找到“Gloria in D 大调作曲家出生地的著名桥梁”
Global 模式：多起点并行游走 → 社区检测 → 综述答案
| 图谱构建 | ||
| Query-Aware PPR | ||
| Local 迭代 | ||
| Global 社区 |
三、结论：一张表看懂涨点
单跳场景 Naive 模式已足够，Local 反而增加 token 成本；但在复杂场景，3 轮迭代即可把 F1 拉涨 11+
抽象问答（LLM-as-a-Judge）
图 3 胜率热力图：600 个锚点后收益饱和
| Comprehensiveness | |||
| Diversity & Empowerment | 显著优于 |
成本视角
图 4 Token 成本对比
| ToPG-Global | ||
四、一句话总结
ToPG 用“命题级粒度+查询感知游走”证明：把图谱做软、把导航做活，就能在单跳、多跳、抽象问答三条赛道都拿到 SOTA 级成绩。
