一、RAG 的三座“大山”

传统 RAG 方案	擅长	不擅长
Chunk-RAG （整块召回）	简单事实问答	多跳、跨段落推理
Iterative-RAG （链式思考）	局部多跳	缺乏全局视野，易走偏
KG-RAG （三元组图谱）	复杂推理	单跳事实精度低，三元组信息压缩严重

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：

模式	场景	导航策略
Naive	单跳事实	纯向量召回命题，不用图
Local	多跳推理	迭代 Suggestion-Selection，LLM 每轮筛掉噪音
Global	抽象/综述	多起点并行游走 → 社区检测 → 分面生成答案

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

模块	做法	公式/参数
图谱构建	LLM few-shot 抽取实体→命题；同义词用 embedding 合并	cosine ≥ 0.4
Query-Aware PPR	转移矩阵 M = λ·结构 + (1-λ)·语义相似度	λ = 0.5（实验最佳）
Local 迭代	每轮 LLM 判断“信息够了吗？”不够就自动生成子问题继续走	max-iter = 3
Global 社区	收集 600 个锚点 → Leiden 算法分社区 → 每社区生成中间答案 → 排序合并	budget = 8 k 节点

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

维度	Agriculture	CS	Legal
Comprehensiveness	与 GraphRAG 持平	持平	略负
Diversity & Empowerment	显著优于 GraphRAG & LightRAG	同上	同上

成本视角

图 4 Token 成本对比

方法	每抽象查询 token 消耗	备注
LightRAG	最低	关键词扩展，答案深度不足
ToPG-Global	中等（<600 锚点）	比 GraphRAG 省 30%+ 生成 token
GraphRAG	最高	预生成社区摘要，输入膨胀

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。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】