retrieval-search-orchestration

目录

• 工作流
• 步骤说明
• 检索模式选择指南
• 查询分解模式
• 输出模板

检索与搜索编排

工作流

复制此清单，并逐步完成各项：

• 1. 分析查询类型和需求
• 2. 选择检索模式
• 3. 设计查询分解策略
• 4. 配置排序和约束
• 5. 设计溯源跟踪
• 6. 定义回退策略
• 7. 编写检索策略规范

步骤说明

步骤 1：分析查询类型和需求

对系统必须处理的查询进行分类。常见类别包括：

• 事实查询：单实体、单跳查询（例如：“法国的首都是哪里？”）
• 探索性／主题性查询：需要汇总多个实体信息的宽泛问题（例如：“该语料库中的主要主题有哪些？”）
• 多跳推理：需要遍历多个关系的问题（例如：“哪些药物可以治疗由基因 X 导致的疾病？”）
• 时间查询：受时间范围限制或需要理解顺序的问题
• 受限查询：包含类型或属性筛选条件的问题（例如：“列出 2020 年之后针对药物 Y 的所有临床试验”）

确定用例中这些查询类型的分布，以指导模式选择。

步骤 2：选择检索模式

使用下方的检索模式选择指南，根据查询分布选择合适的方法。有关各模式的详细实现指南，请参阅 resources/methodology.md。

步骤 3：设计查询分解策略

对于复杂查询，将其拆分为可独立解决并随后汇总的子查询。方法包括以大模型作为控制器进行分解、自问链，以及 ReAct 风格的交错推理与检索。详情请参阅下方的查询分解模式部分和 resources/methodology.md。

步骤 4：配置排序和约束

定义如何对检索结果评分、排序和筛选：

• 嵌入相似度阈值
• 图距离惩罚
• 基于类型的预筛选或后筛选
• 最低置信度分数
• 针对时效性数据的时间衰减函数

步骤 5：设计溯源跟踪

确保每条检索到的信息都带有来源元数据。这包括源文档 ID、抽取时间戳、置信度分数，以及证据链构建信息。有关标注方法、置信度评分和大模型集成模式，请参阅 resources/provenance-patterns.md。

步骤 6：定义回退策略

设计主要检索失败或结果不足时的处理方式：

• 迭代加深（增加跳数）
• 放宽查询（逐步移除约束）
• 并行探索（同时尝试多种模式）
• 优雅降级（返回带置信度指示的部分结果）

步骤 7：编写检索策略规范

使用下方的输出模板编写完整规范。

---

检索模式选择指南

模式	最适合	机制	权衡	章节参考
全局优先	广泛的主题查询、语料库级摘要	社区检测、自顶向下遍历摘要索引	覆盖范围广；可能遗漏具体细节	3.1
局部优先	以实体为中心的查找、邻域探索	种子实体链接，通过嵌入门控扩展 1-2 跳邻域	对已知实体的精确度高；范围有限	3.2
U 形混合	需要兼顾广度和深度的复杂查询	由粗到细的双向搜索，先自顶向下，再自底向上细化	覆盖范围最佳；延迟和复杂度较高	3.3
查询分解	多跳推理、复合问题	大模型将查询拆分为子查询，依次检索并汇总	能处理复杂问题；依赖分解质量	3.4
时间型	有时间范围限制或依赖顺序的查询	时间片筛选、情节窗口化、时间衰减排序	能捕捉时间动态；需要时间元数据	3.5
约束引导	按类型筛选或受规则约束的查询	预筛选 + 向量搜索、符号查询后再进行神经重排序	缩小搜索范围；需要类型定义完善的架构	3.6

选择启发式：从系统中占主导地位的查询类型入手。如果查询类型混合，可考虑默认采用 U 形混合模式，并在必要时回退到专用模式。

---

查询分解模式

LLM 作为控制器

大模型接收原始查询，并生成子查询计划：

Original: "Which drugs treat diseases linked to mutations in BRCA1?"
Sub-query 1: "What diseases are linked to mutations in BRCA1?"
Sub-query 2: "What drugs treat [diseases from sub-query 1]?"
Aggregation: Combine results, deduplicate, rank by evidence strength

自问链

模型迭代地向自己提出后续问题，并在每次提问后进行检索：

Q: "What is the relationship between company X and technology Y?"
Follow-up 1: "What products does company X produce?" -> retrieve
Follow-up 2: "Which of those products use technology Y?" -> retrieve
Follow-up 3: "What partnerships exist between X and Y providers?" -> retrieve
Synthesize: Combine all retrieved evidence into final answer

ReAct 模式

交替进行推理和检索操作：

Thought: I need to find the connection between entity A and entity C
Action: Search KG for paths between A and C (max 3 hops)
Observation: Found path A -> B -> C via relationship R1 and R2
Thought: I should verify this path with supporting evidence
Action: Retrieve source documents for edges A-B and B-C
Observation: Edge A-B supported by [doc1, doc2], edge B-C supported by [doc3]
Answer: A connects to C through B, supported by 3 source documents

工具增强检索

为结构化图遍历生成形式化查询（Cypher、SPARQL）：

LLM generates: MATCH (d:Drug)-[:TREATS]->(dis:Disease)<-[:CAUSES]-(g:Gene {name: 'BRCA1'})
               RETURN d.name, dis.name, g.name
Execute against graph database
Post-process results with LLM for natural language answer

---

输出模板

# Retrieval Strategy Specification

## System Context
- **Domain**: [e.g., biomedical, legal, financial]
- **Knowledge Graph Type**: [e.g., property graph, RDF, hybrid]
- **Primary Query Types**: [list dominant query categories]
- **Scale**: [approximate node/edge counts, query volume]

## Retrieval Pattern
- **Primary Pattern**: [selected pattern from guide]
- **Rationale**: [why this pattern fits the query distribution]
- **Secondary/Fallback Pattern**: [if applicable]

## Query Decomposition
- **Strategy**: [LLM-as-controller / self-ask / ReAct / tool-augmented / none]
- **Max Sub-queries**: [limit per original query]
- **Aggregation Method**: [union / intersection / ranked merge / LLM synthesis]

## Ranking & Constraints
- **Similarity Threshold**: [minimum embedding similarity score]
- **Max Hop Distance**: [maximum graph traversal depth]
- **Type Filters**: [entity/relationship type constraints]
- **Temporal Constraints**: [time windows, decay functions]
- **Confidence Minimum**: [minimum source confidence for inclusion]

## Provenance Design
- **Annotation Method**: [metadata fields / evidence nodes / named graphs / reification]
- **Confidence Scoring**: [source reliability tiers, aggregation rules]
- **Citation Format**: [inline / post-hoc / both]
- **Conflict Resolution**: [timestamp priority / source authority / LLM adjudication]

## Fallback Strategy
- **Primary Fallback**: [iterative deepening / query relaxation / parallel exploration]
- **Max Retry Depth**: [number of fallback attempts]
- **Degradation Policy**: [partial results with confidence / explicit uncertainty / escalation]

## Evaluation Criteria
- Reference: `resources/evaluators/rubric_retrieval.json`
- **Target Score**: [minimum acceptable weighted score]