在检索增强生成（RAG）成为提升大语言模型知识能力的重要范式的当下，图结构 RAG 被广泛认为是支持多跳推理与深层理解的关键路径。然而，现有的 Graph-RAG 方法普遍建立在静态语料假设之上，一旦面对持续增长的知识库，其图结构往往难以维护，更新代价高昂，严重限制了在真实场景中的应用落地。

这一静态构建范式隐含地认为图结构一经建立即可长期复用，忽略了语料动态演化过程中对图结构的一致性、可控性与可扩展性的挑战。尤其是在新闻资讯、科研论文、用户生成内容等高频更新的语料场景下，传统 Graph-RAG 模型在更新效率与语义完整性之间难以取得平衡，导致系统性能难以持续优化。

为突破这一关键瓶颈，我们提出 EraRAG（Efficient and Incremental Retrieval-Augmented Generation），一种专为动态语料设计的高效图结构 RAG 框架。

论文

• 标题：EraRAG: Efficient and Incremental Retrieval Augmented Generation for Growing Corpora

• 论文链接： https://arxiv.org/abs/2506.20963

• 项目链接：https://github.com/EverM0re/EraRAG-Official

EraRAG 创新性地引入超平面哈希与递归摘要机制，首次实现了语义一致、结构稳定且支持增量更新的层次化知识图构建方式，有效弥合了检索效率与图结构可维护性之间的矛盾，在保持静态精确度的同时支持稳定动态添加，为构建可扩展、可部署、可演化的 RAG 系统提供了新路径。

为何需要 EraRAG：现有方法的局限与革新

Graph-RAG 已经在增强大语言模型知识能力方面取得了显著进展，但现有方法普遍假设语料库是静态不变的，难以适应实际中语料持续增长的需求。一旦新增内容到来，常见做法往往需要整体重构图结构，带来巨大的计算和存储开销，也破坏了原有结构的语义稳定性。同时，传统图构建过程多依赖社区检测或聚类算法，不仅计算复杂，而且在增量场景下缺乏可重复性，容易导致图结构漂移。此外，现有方法在语义粒度控制方面也较为粗放，难以同时兼顾细节与抽象语义，影响多跳推理与长文本理解效果。

EraRAG 针对这些核心痛点进行了系统性设计。它以超平面 LSH 替代传统聚类，提供了高效、可复现的语义分段方式，并通过多层摘要构建出结构清晰、粒度可调的语义图谱。在更新阶段，EraRAG 可精确定位受影响的局部区域，仅在必要范围内触发图结构与摘要的调整，从而显著降低更新代价并保持整体语义一致性。这种可扩展、可维护的设计使 EraRAG 成为首个真正支持动态语料的高效 Graph-RAG 框架，为实际部署提供了更具可行性的解决方案。

EraRAG：为动态语料而设计的高效图结构 RAG 框架

面对图结构 RAG 在动态语料场景中的可扩展性瓶颈，EraRAG 提出了一种分层构图、可增量更新的解决方案，实现了检索效率、表示能力与更新代价之间的平衡。其关键设计在于结合超平面局部敏感哈希（Hyperplane-based LSH）与递归语义摘要机制，将大规模文本组织为结构紧凑、可局部维护的层次化语义图。

EraRAG 的整体流程自底向上展开。首先对原始语料进行分块处理，划分为较短文本片段（chunk），并使用固定的文本编码器（如 BGE-M3）生成归一化嵌入向量。随后，系统通过投影这些嵌入到一组固定的随机超平面上，得到每个向量的哈希签名，依据哈希结果将相似文本自动聚集进同一桶（bucket）。为保证桶的语义一致性和大小均衡，EraRAG 采用可控的分段策略，对超大桶进行划分、对小桶进行合并，从而形成初始的语义段（segment）。

在图构建阶段，系统对每个段调用 LLM 执行摘要，将其内容概括为更高层次的语义节点，并生成新的嵌入，递归执行同样的哈希、分段与摘要流程，逐层向上构建出多层次的图结构。每一层代表一个语义抽象层级，最底层保留原始文本粒度，而越往上则越接近概括性和结构化语义。这一分层结构既可支持高效检索，也具备跨粒度适配不同任务类型（如细节问答 vs. 长文理解）的能力。

在应对语料增长方面，EraRAG 引入了局部可控的图更新机制。新增文本经过相同的编码与哈希流程被插入对应桶中，只需更新受影响的段与其父节点，并在图中进行局部传播重构，避免对整个图进行全量更新。由于 EraRAG 在构建图时保留了原始的超平面投影参数，这使得每次增量插入都具有高度一致性与可重复性。整个更新流程可以在常数数量的段内局部完成，计算和 token 消耗显著降低。

得益于这一分层组织与增量更新策略，EraRAG 可在无需重训练或全图重构的前提下，快速适配语料动态变化，并保持图结构的语义一致性与表示完整性，在新闻、社交内容、学术文献等不断增长的实际场景中具备良好的落地潜力。

实验评估：效率与精度双突破

我们在多个具有代表性的问答数据集上对 EraRAG 进行了全面评估，涵盖了事实检索、多跳推理、长文理解等典型任务。实验从静态图构建和动态语料更新两个方面出发，重点考察系统在真实语料增长场景下的适应性与稳健性。

结果表明，EraRAG 在效率上显著优于现有的图结构 RAG 方法。在面对不断扩展的语料库时，其增量更新机制能够避免重复计算与结构重建，仅需对新增部分进行局部调整，从而有效降低计算开销与存储成本，展现出良好的可扩展性和实用性。

在精度方面，EraRAG 同样展现出领先优势。得益于其层次化语义建模和结构化表示，系统能够更准确地捕捉文本中的关键线索与多跳关系，显著提升了对复杂问题的理解与生成能力，在多种任务上都取得了优于现有方法的表现。

此外，在动态语料添加过程中，EraRAG 能够持续稳健地吸收新知识，系统性能随新增语料稳步提升，最终达到与静态构建相当的准确度。这充分说明 EraRAG 在结构层次与语义一致性方面具备良好鲁棒性，即便在不断变化的知识环境中，也能保持稳定可靠的性能表现。

潜在局限与未来发展方向

尽管 EraRAG 在多跳推理与动态语料更新任务中展现出优越性能，其方法仍存在一定边界。例如，系统在构建初始图时对语料覆盖度有较高要求，若初始结构过于稀疏，后续插入可能影响整体语义一致性。同时，多层图的摘要过程依赖大型语言模型，在低资源或跨语言场景下可能面临计算瓶颈。此外，当前方法主要聚焦于文本模态，尚未覆盖图像、视频等多模态场景，限制了在更复杂应用中的扩展性。

未来，我们计划从多个方向拓展 EraRAG 的能力，包括在低语料下提升图初始化的稳定性，推动摘要模块的轻量化与部署效率，以及探索向图像、音频等模态扩展的统一图结构构建方法。同时，我们也将进一步优化检索策略，使其更灵活地适配不同类型任务，提升系统在理解与生成上的整体表现。我们相信，EraRAG 为构建可增量、可扩展的多模态语义检索系统提供了坚实基础，值得在更广泛的真实场景中深入探索与实践。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】