今天是2025年6月30日，星期一，北京，晴，今天是2025年上半年的最后一天了。
我们继续看GraphRAG的问题，基于图的检索增强生成（Graph-RAG）在处理动态增长语料库时的效率问题。
现在的一些方案，主要集中在静态语料库的检索增强生成，如Vanilla RAG、Graph-based RAG等。动态检索方法如DRAGIN、LightRAG和DyPRAG等虽然尝试解决动态语料库的问题，但在高频数据变化下的动态更新消耗仍然较高。
这个问题的难点在于如何在不需要全图重建的情况下，高效地更新语料库，并保持高检索准确性和低延迟。
所以，问题来了，既然需要动不动就重新构图，那么是否可以去个重，分个桶，然后把新更新的，归类到某个桶中，然后再根据这个桶所属的层级中，做局部更新？
这也就一种动全部，不如拉相似度分桶动局部的思路，那就会用到聚类，去重这些，所以，我们来看看一个具体的实现思路，很简单。
另外，最近也在继续造新词，还是需要新故事维持热度，继续换概念，值得就是这个上下文工程（context engineering），来看看是个啥？
一、LSH局部敏感哈希+RAPTOR动态更新的GraphRAG思路-EraRAG
顺着上面的思路，看最近的一个工作，EraRAG: Efficient and Incremental Retrieval Augmented Generation for Growing Corpora，https://arxiv.org/pdf/2506.20963，实现的代码在：https://github.com/EverM0re/EraRAG-Official
其实现思路很简单，利用基于超平面的局部敏感哈希（LSH）将原始语料库分区和组织成层次化的图结构，通过将相似项映射到相同的桶中，实现高效的分组。通过递归的LSH分割和总结，构建了一个多层次的图结构，当新语料条目到达时，EraRAG通过将新块编码为向量嵌入，并将其插入到适当的桶中，进行向上传播的调整，这些调整仅限于受影响的部分，而不会改变图的其他部分。
进一步的拆分开来，核心步骤就几个：
1、LSH-based图构建
LSH局部敏感哈希，是常见的相似度方案，利用哈希将相似项映射到同一桶中。
1）LSH分段
在这个方案中，给定输入语料库后，首先将其处理为文本块，然后将它们编码为向量嵌入。然后，将这些向量投影到n个随机采样的超平面上，并编码为一个n位二进制哈希码。具有相似哈希值的向量被分组到同一个桶中。
2）分段调整
每个分段的大小受到用户定义的上下限控制。较小的桶会与相邻的桶合并，而较大的桶会被分割。对于每个生成的分段，使用LLM将其包含的文本块总结为一个新的块。
3）构建层次图
递归调用哈希、分段和总结这个过程，采用RAPTOR方案，构建多层次的图结构。
4）局部更新
当新语料库条目到达时，新块被编码成向量嵌入，插入到相应的桶中，并进行向上的传播调整，仅限于受影响的部分，而不改变无关部分。
所以说，这个想法很自然，动全部，不如拉相似度分桶动局部，结果也很直接，例如，在HotpotQA数据集上，EraRAG相比RAPTOR减少了高达77.5%的图重建时间。
但是，这种方法也存在一些问题，这个很依赖于分桶的质量，以及初始形成的图结构。适当的分段大小有助于平衡效率和检索质量，过大或过小的分段都会影响性能。
二、继续造词包装-“上下文工程”概念
也是昨天，看到一个新词，叫“上下文工程”，来自https://blog.langchain.com/the-rise-of-context-engineering/，有人调侃到，提示工程又换个说法，下一个名字我已想好，“语义态势感知管理”，缩写LSDM。
从这张图上，可以很直接的看到“上下文工程”是个啥，就是把RAG、提示词工程、记忆、历史记录这些包成了一个整体的新词。
用这个blog的话来说，上下文工程就是构建动态系统，以提供正确格式的信息和工具，使大型语言模型（LLM）能够合理地完成任务。
大多数情况下，当代理（agent）不可靠地执行任务时，根本原因是没有将适当的上下文、指令和工具传达给模型（这是个废话，因为现在大模型做应用，prompt是媒介。）
MCP\ACP这些也不火了，Agent继续炒，就要新的名词，新的概念，这样，才有新的故事，但这并不好，并没有新的东西产生，反而加重了认知负担。
参考文献
1、https://github.com/EverM0re/EraRAG-Official
2、https://blog.langchain.com/the-rise-of-context-engineering/
（文：老刘说NLP）