下面再看一個(gè)思路，圍繞解決在視覺豐富文檔（VRDs，如含圖表、多頁報(bào)告、幻燈片的PDF）理解的缺陷：

1. 丟失布局與結(jié)構(gòu)上下文：傳統(tǒng)RAG將文檔拆分為孤立塊（如段落）嵌入，忽略跨頁依賴（如“章節(jié)標(biāo)題-后續(xù)內(nèi)容”關(guān)聯(lián)）和布局層級（如“圖表-標(biāo)題-注釋”的視覺關(guān)聯(lián)），易漏檢關(guān)鍵證據(jù)。
2. 過度依賴語義嵌入：僅通過文本/圖像嵌入的相似度檢索，無法處理依賴符號/結(jié)構(gòu)線索的查詢（如“統(tǒng)計(jì)所有源自Pew研究中心的圖表”）——這類查詢需聚合“圖表類型+來源標(biāo)注”等顯式結(jié)構(gòu)信息，而嵌入無法捕捉此類細(xì)節(jié)。
3. top-k檢索：固定檢索數(shù)量（如top-5/10），不適應(yīng)查詢復(fù)雜度（例：“介紹3個(gè)組織”僅需3頁，“統(tǒng)計(jì)荷蘭位置圖片”需12頁），導(dǎo)致“證據(jù)不足”或“噪聲過多”。

LAD-RAG 通過以下方式解決傳統(tǒng) RAG 在VRD 中的三個(gè)關(guān)鍵局限性：

二、LAD-RAG框架

LAD-RAG 框架流程：在信息攝取階段，大型視覺語言模型從每頁文檔中提取要素并編碼至索引系統(tǒng)，同時(shí)構(gòu)建捕獲頁面間與頁面內(nèi)關(guān)聯(lián)的文檔關(guān)系圖以支持符號檢索。在推理階段，智能體解析問題并循環(huán)交互神經(jīng)網(wǎng)絡(luò)索引與文檔關(guān)系圖，從而檢索相關(guān)證據(jù)，實(shí)現(xiàn)問題感知與結(jié)構(gòu)感知的雙重檢索機(jī)制。左：攝入階段構(gòu)建雙索引；右：推理階段LLM智能體動(dòng)態(tài)檢索

2.1、第一階段：Ingestion

攝入階段的目標(biāo)是通過“視覺語言模型（LVLM）+運(yùn)行內(nèi)存”構(gòu)建包含布局結(jié)構(gòu)和跨頁依賴的文檔表示，最終輸出“符號文檔圖”和“索引”。

2.1.1 核心步驟1：文檔元素提取與Running Memory維護(hù)

為捕捉跨頁上下文，LAD-RAG模擬人類閱讀習(xí)慣（逐頁理解+記憶累積），分兩步處理文檔：

1. 文檔逐頁元素提取：使用GPT-4o（強(qiáng)視覺語言模型）逐頁解析VRD，提取頁面中所有本地化元素（如段落、圖表、表格、章節(jié)標(biāo)題、腳注），并為每個(gè)元素生成“自包含描述”（用于后續(xù)節(jié)點(diǎn)構(gòu)建）。
   每個(gè)元素需包含5類關(guān)鍵信息（為后續(xù)符號圖節(jié)點(diǎn)屬性做準(zhǔn)備）：

• 布局位置（如“左上”“頁腳”）；
• 元素類型（如“figure”“section_header”）；
• 顯示內(nèi)容（文本、圖表數(shù)據(jù)、表格數(shù)值）；
• 自包含摘要（脫離上下文也可理解的描述，如“2023年美國移民意愿柱狀圖，對比公眾與拉丁裔群體”）；
• 視覺屬性（字體、顏色、大?。?。

2. Running Memory（M）累積跨頁信息
   維護(hù)一個(gè)“動(dòng)態(tài)記憶庫”，類似人類閱讀時(shí)的“持續(xù)理解”，逐頁累積三類高-level信息：

• 章節(jié)結(jié)構(gòu)（如“1. 引言 → 1.1 研究背景”的層級）；
• 實(shí)體提及（如反復(fù)出現(xiàn)的“Pew研究中心”“大數(shù)據(jù)轉(zhuǎn)型案例”）；
• 主題進(jìn)展（如“從‘問題提出’到‘案例分析’的邏輯流”）。
  當(dāng)處理新頁面時(shí)，通過內(nèi)存關(guān)聯(lián)新元素與歷史信息（如“新圖表屬于第2章案例分析”），為后續(xù)跨頁邊的構(gòu)建提供依據(jù)。

2.1.2 核心步驟2：構(gòu)建符號文檔圖（G）

符號文檔圖是將文檔的“結(jié)構(gòu)與布局關(guān)系"圖的構(gòu)成如下：

邊的構(gòu)建依賴“運(yùn)行內(nèi)存”——例如，內(nèi)存中記錄“第22頁‘附錄A’是章節(jié)層級的葉子節(jié)點(diǎn)”，處理第23頁時(shí)，通過內(nèi)存識別“第23頁內(nèi)容是附錄A的延續(xù)”，并建立“第22頁附錄節(jié)點(diǎn)→第23頁附錄節(jié)點(diǎn)”的“continues”邊。

2.1.3 核心步驟3：神經(jīng)-符號雙索引存儲(chǔ)

攝入階段的最終輸出是兩類互補(bǔ)索引，為推理階段的多模態(tài)檢索提供基礎(chǔ)：

1. 符號索引（G）：即完整的文檔圖對象，存儲(chǔ)節(jié)點(diǎn)/邊的顯式結(jié)構(gòu)屬性（如“元素類型=figure”“邊類型=continues”），支持“基于規(guī)則的結(jié)構(gòu)化查詢”（如“篩選所有屬于第3章且引用圖表的段落”）。
2. 神經(jīng)索引（E）：對所有節(jié)點(diǎn)的“自包含摘要”進(jìn)行向量嵌入（如用E5/BGE模型），構(gòu)建向量數(shù)據(jù)庫，支持“基于語義相似度的檢索”（如“找到與‘大數(shù)據(jù)轉(zhuǎn)型案例’語義相似的節(jié)點(diǎn)”）。

雙索引避免傳統(tǒng)RAG僅依賴嵌入的局限，也避免純符號檢索缺乏語義理解的問題。

相關(guān)提示詞：

用于提取文檔圖結(jié)點(diǎn)的提示。

用于跨文檔頁面構(gòu)建和更新運(yùn)行記憶的提示。

用于文檔圖譜構(gòu)建的攝取過程中所使用的提示

2.2、第二階段：推理——LLM智能體動(dòng)態(tài)檢索證據(jù)

推理階段的目標(biāo)是通過LLM智能體（仍基于GPT-4o）動(dòng)態(tài)交互雙索引，根據(jù)查詢需求自適應(yīng)選擇檢索策略，直到收集到“完整且低噪聲”的證據(jù)。

這里文章核心的介紹了LLM智能體與三大檢索工具。

智能體的核心能力是“理解查詢需求→選擇檢索工具→迭代優(yōu)化證據(jù)集”，其可調(diào)用三類工具（對應(yīng)不同檢索場景）：

社區(qū)檢測細(xì)節(jié)：Louvain算法會(huì)將文檔圖中“結(jié)構(gòu)/語義高度關(guān)聯(lián)的節(jié)點(diǎn)”聚類為“社區(qū)”（如“第3章的所有圖表+段落+標(biāo)題”構(gòu)成一個(gè)社區(qū)），Contextualize工具通過調(diào)用社區(qū)信息，快速擴(kuò)展出“完整的上下文證據(jù)”，避免漏檢。

這一階段提示詞

實(shí)驗(yàn)性能

各模型在不同檢索類型（經(jīng) topk 調(diào)整：證據(jù)數(shù)量與 LAD-RAG 相同）及 top-k 下的準(zhǔn)確率得分。 單/多參考分別指需要單頁或多頁證據(jù)的問題。

案例研究顯示，LAD-RAG 成功檢索出所有對比普通大眾與拉丁裔/西班牙裔群體的圖表。傳統(tǒng)語 義檢索器不僅遺漏大量相關(guān)圖表，還會(huì)混入無關(guān)內(nèi)容，而 LAD-RAG 則動(dòng)態(tài)選擇符號檢索方案：先篩選 所有圖形結(jié)點(diǎn)，再利用周邊布局進(jìn)行語境化分析，最終判定是否符合查詢要求。這種基于圖譜引導(dǎo)的多步 驟流程實(shí)現(xiàn)了精準(zhǔn)且完備的證據(jù)收集。

案例研究展示 LAD-RAG 檢索多頁參考文獻(xiàn)的過程。當(dāng)語義搜索僅能定位參考文獻(xiàn)首頁時(shí)，因語義 重疊較弱而遺漏后續(xù)內(nèi)容，LAD-RAG 動(dòng)態(tài)切換至基于圖形的上下文關(guān)聯(lián)技術(shù)，成功恢復(fù)所有結(jié)構(gòu)相關(guān) 的結(jié)點(diǎn)，實(shí)現(xiàn)完整證據(jù)覆蓋。

MMLongBench-Doc 問答準(zhǔn)確率細(xì)分。

在 LongDocURL 上的問答準(zhǔn)確率細(xì)分

參考文獻(xiàn)：LAD-RAG: Layout-aware Dynamic RAG for Visually-Rich Document Understanding，https://arxiv.org/pdf/2510.07233v1

本文轉(zhuǎn)載自????大模型自然語言處理??   作者：余俊暉