解决RAG“卡壳“难题：复旦团队GlobalRAG框架让大模型“观全局“

RAG已成为减少LLMs幻觉现象的主流方法。当前的RAG评估基准主要聚焦于局部RAG，即从文档的小子集检索相关片段，以回答仅需特定文本片段局部理解的查询。然而，许多实际应用需要一种本质上不同的能力——全局RAG，它涉及跨整个文档集合聚合和分析信息，以获得语料库级别的洞察（例如“2023年被引用次数最多的10篇论文是什么？”）。本文介绍了GlobalQA，这是首个专门设计用于评估全局RAG能力的基准

爱喝白开水a

600人浏览 · 2026-02-06 11:49:59

爱喝白开水a · 2026-02-06 11:49:59 发布

本文针对传统RAG系统在全局查询上的局限性，复旦大学邱锡鹏教授团队提出了GlobalRAG框架。该框架通过文档级检索、LLM驱动的过滤器和任务级聚合工具三阶段流程，实现了对整个文档集合的聚合分析。实验表明，GlobalRAG在全局任务上的F1分数达6.63，远超现有基线方法1.51的分数，有效解决了RAG系统在处理需要"扫遍全库"的全局查询时的"卡壳"问题。

提到 RAG（检索增强生成），大家都知道它是 LLM的 “事实保镖”—— 能从语料里扒信息，帮模型少说胡话。但你有没有发现，平时用的 RAG 好像有点 “短视”：查 “爱因斯坦哪年出生”“法国首都是哪” 这类局部问题很顺手，可一旦遇到 “2023 年顶刊引用 TOP10 论文是哪些”“哪个行业平均工作年限最长” 这种需要 “扫遍全库” 的全局问题，它就直接 “卡壳” 了？

针对这个 RAG 领域的 “卡脖子” 难题，复旦大学邱锡鹏教授团队最新研究给出了破局方案 —— 不仅首次定义了 “全局 RAG” 的评估标准，还提出了能让模型 “看懂全库” 的 GlobalRAG 框架，性能直接碾压现有基线！今天就带大家拆解这篇重磅论文，看看它如何让 RAG 从 “看局部” 升级为 “观全局”。

【论文链接】https://arxiv.org/pdf/2510.26205v1

摘要

RAG已成为减少LLMs幻觉现象的主流方法。当前的RAG评估基准主要聚焦于局部RAG，即从文档的小子集检索相关片段，以回答仅需特定文本片段局部理解的查询。

然而，许多实际应用需要一种本质上不同的能力——全局RAG，它涉及跨整个文档集合聚合和分析信息，以获得语料库级别的洞察（例如“2023年被引用次数最多的10篇论文是什么？”）。

本文介绍了GlobalQA，这是首个专门设计用于评估全局RAG能力的基准测试，涵盖四种核心任务类型：计数、极值查询、排序和Top-k提取。通过对不同模型和基线方法的系统评估，本文发现现有RAG方法在全局任务上表现不佳，最强基线的F1分数仅为1.51。

为应对这些挑战，本文提出了GlobalRAG，这是一种多工具协作框架，通过文档级检索保持结构连贯性，融入LLM驱动的智能过滤器以消除噪声文档，并整合聚合模块实现精确的符号计算。在Qwen2.5-14B模型上，GlobalRAG的F1分数达到6.63，而最强基线仅为1.51，验证了该方法的有效性。

背景

RAG被提出用于缓解LLMs的幻觉问题和知识局限性，其核心机制是从语料库中检索相关片段，将事实知识注入生成过程，提升LLM输出的可靠性。

当前的RAG系统和评估基准都集中在局部RAG任务上，one-step数据集测试从单个文档提取事实的能力，multi-step数据集评估跨少量关联文档的推理能力。但许多实际应用需要跨整个文档集合聚合信息的语料库级操作，例如“哪个领域的平均工作年限最长？”这类全局查询，无法通过检索单个文档回答，需要遍历大量文档、提取可比较属性并进行全语料库分析。

现有基线RAG在这类全局查询上表现不佳，却缺乏系统的基准测试来评估这种语料库级推理能力，因此本文旨在填补这一空白。

技术方案

本文提出的GlobalRAG是一种无训练的多工具协作框架，通过“检索→过滤→聚合”三阶段流程运作，具体内容如下：

框架概述：针对全局查询，系统首先检索完整文档而非碎片化片段，再应用LLM驱动的过滤器去除无关噪声，最后调用特定任务的聚合工具得出准确答案。

文档级检索：为保持文档完整性，将整个文档作为原子检索单元，而非任意文本片段。构建索引时，为语料库中的每个文档建立文档级索引，存储文档及其嵌入表示；检索策略为给定查询后，返回最相似的前k个文档，以此保留文档结构和元数据。

文档级过滤器：针对密集检索器常返回语义相关但任务无关的噪声文档问题，设计两阶段过滤机制，使用轻量级LLM精确判断文档相关性，在推理前丢弃无关文档，确保推理基于高度相关的文档。

任务级聚合工具：为弥补LLMs在大规模数值计算、统计分析和精确排序方面的不足，设计四种专用工具：计数工具系统遍历文档、应用去重策略，准确统计语料库级计数任务的实体数量；极值工具提取数值和序数属性，通过精确比较解决全局优化查询，无近似误差；排序工具从异构文档格式中提取可比较指标，考虑文档间的规模差异，通过确定性算法保证结果一致性；Top-k提取工具利用基于堆的高效算法和剪枝策略识别前k个实体，平衡全局分析与选择性输出。这四种工具可组合形成计算框架，为全局RAG的数值推理提供可靠基础。

实验结果

实验对比了GlobalRAG与多种基线方法在不同规模Qwen2.5模型（3B、7B、14B）和四类全局RAG任务上的性能，核心结果如下（对应表2）：

整体性能优势：GlobalRAG在平均F1分数上持续优于所有基线方法。在14B模型上，GlobalRAG的平均F1为6.63，平均文档F1@20（D-F1@20）为12.01，分别超过最强基线StandardRAG 5.12分和3.92分。

与迭代检索方法对比：在14B模型上，GlobalRAG的平均F1分数比IRCoT高6.54分，比FLARE高6.08分。迭代方法的预定义检索-推理流程在全局RAG场景中灵活性受限，而GlobalRAG的工具调用机制让模型能自主选择和组合外部资源。尽管IRCoT能检索到更多相关文档（D-F1@20分数较高），但答案F1仍远低于GlobalRAG，说明仅检索更多相关信息不足以完成全局RAG任务，有效整合处理检索文档同样关键。

与图结构方法对比：HyperGraphRAG等图结构方法在所有模型规模上F1分数均不超过0.47，部分情况下无法返回有效文档（无法计算D-F1@20）。而14B模型上，GlobalRAG的平均F1比HyperGraphRAG高6.54分，原因是图结构方法在构建过程中破坏了文档的结构完整性，丢失了关键元数据，而GlobalRAG的文档级检索确保了结构完整性。

跨规模性能趋势：随着模型规模从3B增至14B，GlobalRAG的性能大幅提升，平均F1从2.52升至6.63，提升4.11分，而其他方法的提升有限或不稳定，表明GlobalRAG的多工具协作框架能更好地利用大型LLMs增强的推理能力。

结论

本文研究了检索增强生成系统中全局查询处理的挑战，主要贡献如下：

首先，提出了GlobalQA基准测试，专门用于评估RAG系统的全局聚合任务。与现有聚焦局部信息检索的基准不同，GlobalQA要求系统进行全语料库遍历和多文档推理，更贴合实际知识密集型应用场景，该基准包含四种聚合任务类型，系统评估了不同计算复杂度下的推理能力。

其次，通过大量实证评估，识别并量化了当前RAG架构处理全局查询时的三个基本局限性：分布式文档中的信息碎片化、大规模搜索中的检索噪声放大、全语料库穷举处理中的计算瓶颈。分析表明，最先进的RAG系统在全局任务上的平均F1分数仅为1.51，凸显了当前方法的关键缺口。

最后，提出了GlobalRAG混合架构，证明了多范式融合对复杂推理任务的必要性。该架构结合神经检索与编程执行，比现有方法性能提升5个百分点，验证了纯神经方法或纯符号方法单独均不足以处理全局查询。本文将全局查询处理确定为RAG研究的一个挑战，为该领域的发展提供了评估工具和架构思路。

普通人如何抓住AI大模型的风口？

为什么要学习大模型？

在DeepSeek大模型热潮带动下，“人工智能+”赋能各产业升级提速。随着人工智能技术加速渗透产业，AI人才争夺战正进入白热化阶段。如今近**60%的高科技企业已将AI人才纳入核心招聘目标，**其创新驱动发展的特性决定了对AI人才的刚性需求，远超金融（40.1%）和专业服务业（26.7%）。餐饮/酒店/旅游业核心岗位以人工服务为主，多数企业更倾向于维持现有服务模式，对AI人才吸纳能力相对有限。

在这里插入图片描述

这些数字背后，是产业对AI能力的迫切渴求：互联网企业用大模型优化推荐算法，制造业靠AI提升生产效率，医疗行业借助大模型辅助诊断……而餐饮、酒店等以人工服务为核心的领域，因业务特性更依赖线下体验，对AI人才的吸纳能力相对有限。显然，AI技能已成为职场“加分项”乃至“必需品”，越早掌握，越能占据职业竞争的主动权

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：