BookRAG：面向层级文档的树-图融合RAG框架

现有的RAG系统，无论是基于文本的图方法还是基于版面分割的方法，在面对这类文档时往往失效。根源在于两点：结构与语义的脱节以及工作流程的僵化。

本文介绍的BookRAG或许能提供一个有用的视角。

两种传统方法及其局限

处理这类文档有两种主流范式。

第一种是文本优先方法，将所有内容扁平化为纯文本，主要依赖OCR，再用BM25、经典分块RAG或GraphRAG、RAPTOR等图方法完成检索。其中GraphRAG从文本构建知识图谱，通过社区检测形成带摘要的层级聚类；RAPTOR则递归地对分块做聚类和摘要，形成树状结构。

第二种是版面优先方法，保留原始文档版面，将内容分割为段落、表格、图表、公式等结构化块，再用多模态检索或基于LLM的处理管道（如DocETL）处理相关分块。

Figure 1: Comparison of existing methods and BookRAG for complex document QA.

两种方法各有价值，但面对类书籍文档时都会遇到两个根本性的问题。

https://avoid.overfit.cn/post/301d874592154a5bada4fd7c777e827e