🤖 AI

GRASP: Graph Agentic Search over Propositions for Multi-hop Question Answering

GRASP est un système de récupération agentique efficace qui optimise la précision des réponses aux questions multi-sauts et l'utilisation des jetons en décomposant les requêtes complexes en sous-tâches dynamiques et en exploitant un nouveau graphe hiérarchique à trois couches d'entités, de propositions et de passages pour une traversal ciblée et une récupération à haut rappel.

Auteurs originaux : Stockton Jenkins, Ramya Korlakai Vinayak, Junjie Hu

Publié 2026-05-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Stockton Jenkins, Ramya Korlakai Vinayak, Junjie Hu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre une énigme complexe, telle que « Qui a écrit la chanson interprétée par le chanteur de 'Too Late for Goodbyes' ? » Pour résoudre cette énigme, vous ne pouvez pas vous contenter de poser une seule question ; vous devez suivre une piste de indices. D'abord, vous trouvez le chanteur. Ensuite, vous trouvez la chanson qu'il a interprétée. Enfin, vous trouvez l'auteur.

C'est cela, la Réponse aux Questions Multi-sauts : une chaîne de raisonnement où chaque étape dépend de la réponse à la précédente.

L'article présente un nouveau système de détective appelé GRASP (Recherche Agentique sur Graphes de Propositions). Voici comment il fonctionne, en utilisant des analogies simples :

Le Problème : L'Ancienne Méthode était Trop Coûteuse

Les anciens systèmes de détectives tentaient de résoudre ces énigmes en construisant une carte massive et rigide de faits (un « Graphes de Connaissances ») avant même de commencer.

Le Coût : Construire cette carte revenait à engager une armée de scribes pour réécrire chaque livre de la bibliothèque en de minuscules cartes de faits déconnectés (triplets du type « Sujet-Relation-Objet »). Cela prenait beaucoup de temps et d'argent (des jetons).
L'Inefficacité : Lorsque le détective commençait ses recherches, il devait souvent lire trop d'informations non pertinentes ou passer trop d'appels téléphoniques (requêtes LLM) pour relier les points, épuisant rapidement son budget.

La Solution : La Bibliothèque à Trois Couches de GRASP

GRASP change la donne en construisant une bibliothèque plus intelligente et plus flexible. Au lieu de cartes de faits rigides, il organise l'information en trois couches, comme un système d'archivage bien organisé :

La Couche Entité (Les Fiches d'Index) : Ce sont les personnages principaux ou les choses (par exemple, « Paul McCartney », « Allemagne »). Elles agissent comme les « portes » ou les points d'entrée dans la bibliothèque.
La Couche Proposition (Les Faits Atomes) : C'est la sauce secrète. Au lieu de décomposer les phrases en des triplets rigides « Sujet-Verbe-Objet », GRASP les décompose en propositions atomiques — de petites phrases en langage naturel, autonomes et auto-contenues (par exemple, « Le Lapin de Pâques a été enregistré en Allemagne en 1678 »).
- Pourquoi cela compte : Pensez à un triplet comme une phrase brisée qui perd son sens. Une proposition est une pensée complète et claire. Il est plus facile pour l'IA de la comprendre et de l'apparier à une question.
La Couche Passage (Les Livres Complets) : Ce sont les documents sources originaux. Une fois que le détective trouve la bonne « Proposition » (indice), il extrait le « Passage » complet (le chapitre du livre) pour obtenir le contexte complet de la réponse finale.

Comment GRASP Résout une Énigme (Le Flux de Travail)

1. Le Planificateur (Le Stratège)
Au lieu de chercher aveuglément, GRASP dispose d'un agent « Planificateur ». Lorsqu'on lui pose une question complexe, le Planificateur la décompose en une liste de tâches étape par étape.

Analogie : Si vous demandez « Qui est la mère de la personne qui a inventé l'ampoule ? », le Planificateur dit : « Étape 1 : Trouver qui a inventé l'ampoule. Étape 2 : Trouver la mère de cette personne. » Il crée une carte de dépendances afin que le détective sache exactement quoi chercher ensuite.

2. Les Sous-Agents (Les Agents de Terrain)
GRASP n'envoie pas un seul cerveau géant pour faire tout le travail. Il envoie de petits Sous-Agents spécialisés pour chaque étape du plan.

Efficacité : Si une étape est simple, un seul agent est utilisé. Si une étape est complexe, l'échelle s'adapte. Crucialement, chaque agent ne conserve qu'une « mémoire compacte » de ce qu'il vient de trouver. Il ne porte pas le poids de l'historique complet de la conversation, ce qui économise une quantité massive de budget « jeton » (argent/calcul).

3. La Recherche (Le Travail de Détective)
Lorsqu'un Sous-Agent a besoin d'un indice :

Il consulte d'abord la Couche Proposition. Parce que ce sont des phrases claires en langage naturel, l'IA peut trouver les bons indices très rapidement en utilisant une « recherche hybride » (cherchant à la fois les mots exacts et les significations similaires).
Il utilise un système de « Vote de Classement ». Imaginez que l'agent trouve 50 indices. Au lieu de lire les 50 livres, il examine quels indices sont les plus pertinents et « vote » pour les chapitres de livres spécifiques (Passages) qui contiennent ces indices. Cela garantit qu'il ne lit que les pages les plus importantes.

4. La Synthèse (Le Rapport Final)
Une fois que tous les Sous-Agents ont terminé leurs étapes, un module final assemble toutes les réponses en une histoire cohérente.

Les Résultats : Plus Rapide, Moins Cher, Plus Intelligent

Les auteurs ont testé GRASP sur trois grands « jeux de données d'énigmes » (MuSiQue, 2Wiki et HotpotQA).

Précision : GRASP a résolu les énigmes avec plus de précision que les meilleurs systèmes précédents.
Efficacité : Il a utilisé 30 % à 50 % de jetons en moins (ressources de calcul) que les meilleures méthodes suivantes.
- Analogie : Si l'ancien système dépensait 100 $ pour résoudre une énigme, GRASP l'a résolue pour 50 $ tout en obtenant un meilleur résultat.

Une Nouvelle Façon de Mesurer le Succès : « L'Économie du Succès »

L'article introduit une nouvelle métrique appelée Économie du Succès.

Le Concept : Il ne suffit pas d'obtenir la bonne réponse ; il faut se demander : « Combien cela a-t-il coûté pour obtenir cette réponse ? »
La Surprise : Il pondère le coût en fonction de la difficulté de la question. Résoudre une question difficile à bas prix vaut plus que résoudre une question facile à bas prix. GRASP gagne sur cette métrique car il obtient les bonnes réponses aux questions difficiles sans gaspiller de ressources.

Résumé

GRASP est un système de détective qui :

Planifie son itinéraire avant de bouger.
Utilise des faits atomiques en langage naturel (propositions) au lieu de structures de données rigides et brisées.
Envoie de petits agents focalisés qui ne portent pas de bagages lourds.
Vote pour les meilleures preuves afin d'éviter de lire du texte inutile.

Le résultat est un système qui n'est pas seulement plus intelligent pour résoudre des puzzles complexes à plusieurs étapes, mais aussi nettement moins cher et plus efficace à exécuter.

Résumé technique : GRASP (Recherche Agentique sur Graphes de Propositions)

Énoncé du problème

La réponse aux questions multi-sauts (QA) nécessite que les modèles rassemblent itérativement des preuves pour résoudre des dépendances que la seule similarité sémantique ne peut pas traiter. Bien que les récents systèmes de récupération agentiques améliorent la précision en accordant aux modèles de langage (LLM) l'autonomie de rechercher et de raisonner, ils font face à un goulot d'étranglement critique : l'efficacité des jetons.

Les approches basées sur les graphes existantes, telles que HippoRAG et GeAR, utilisent des graphes de connaissances (KG) construits à partir de triplets relationnels (sujet-relation-objet) pour permettre une traversal structurée. Cependant, cela introduit des coûts significatifs :

Coût d'indexation : L'extraction et la construction de KG basés sur des triplets sont coûteuses en calcul et souvent peu fiables, dégradant parfois la qualité de la récupération en dessous de celle d'un RAG naïf.
Coût d'inférence : Les systèmes agentiques souffrent souvent d'une utilisation croissante des jetons due aux appels répétés aux LLM, à l'expansion des fenêtres de contexte et à la traversal redondante par des agents parallèles.

Les méthodes actuelles échouent à optimiser conjointement la haute précision et l'utilisation minimale de jetons lors des phases d'indexation et d'inférence.

Méthodologie : GRASP

Les auteurs proposent GRASP (Recherche Agentique sur Graphes de Propositions), un système de récupération agentique conçu pour optimiser à la fois la précision de la QA et l'efficacité des jetons. GRASP fonctionne à travers trois composants principaux :

1. Construction d'un graphe hiérarchique à trois couches

Contrairement aux KG basés sur des triplets, GRASP construit un graphe $G = (V_E, V_P, V_D, E)$ avec trois couches distinctes :

Couche Entité ( $V_E$ ) : Entités typées (par exemple, "Personne", "Lieu") extraites du texte. Elles servent de portails ciblés pour la traversal.
Couche Proposition ( $V_P$ ) : L'unité de récupération centrale. Au lieu de triplets atomiques, le système extrait des propositions naturelles atomiques et autonomes (par exemple, "Le Lapin de Pâques a été enregistré dans le sud-ouest de l'Allemagne en 1678").
Couche Passage ( $V_D$ ) : Les documents sources originaux liés à leurs propositions constitutives.

Processus d'extraction : Les entités et les propositions sont extraites conjointement en un seul appel LLM. Les entités sont liées à leurs propositions sources via des références d'index, formant les arêtes du graphe. Cela évite la compression avec perte du contexte en triplets relationnels.

2. Pipeline d'inférence basé sur la planification

GRASP décompose les questions complexes multi-sauts en plans conscients des dépendances :

Planificateur : Un module génère un aperçu de raisonnement en langage naturel et une séquence ordonnée de sous-questions. Crucialement, il utilise des espaces réservés numériques (par exemple, #1) pour référencer explicitement les réponses des sous-questions précédentes, reflétant la structure de dépendance de jeux de données comme MuSiQue.
Exécution par Sous-Agent : Chaque sous-question est traitée par un sous-agent indépendant. L'agent maintient un état d'observation compact ( $O_i$ $O_{i}$ ) plutôt qu'un historique complet de conversation, limitant la croissance du contexte.
- Recherche Hybride : L'agent reformule la sous-question en une déclaration de recherche déclarative et une liste de mots-clés. Il effectue une recherche hybride (vecteurs denses + BM25) sur la couche de propositions pour récupérer les entités candidates.
- Score RankVote : Les propositions récupérées sont agrégées aux entités candidates. Pour la récupération de passages, le système utilise RankVote, un mécanisme de vote par rang réciproque qui note les passages en fonction des rangs de leurs propositions constitutives, priorisant le contexte hautement pertinent.
- Raffinement Itératif : L'agent évalue si les preuves sont suffisantes. Sinon, il réécrit la déclaration de recherche et redémarre la traversal (jusqu'à une limite), évitant la rélecture redondante des preuves.

3. Métrique d'Économie de Succès

L'article introduit l'Économie de Succès ( $C_w$ ), une métrique inspirée de la théorie de l'information pour évaluer l'efficacité. Elle amortit le coût total des jetons sur les réponses correctes pondérées par la difficulté :
$C_w = \frac{\sum T_i}{\sum w_i \cdot \mathbb{1}[EM_i = 1]}$
où $w_i = -\log_2(r_i)$ est la surprisale (auto-information) d'une réponse correcte, estimée en sollicitant le LLM de base plusieurs fois. Cela pénalise le gaspillage de jetons et récompense la résolution efficace de questions difficiles.

Contributions Clés

Système GRASP : Un système de récupération agentique enrichi par un graphe qui optimise conjointement la précision et l'efficacité des jetons, évalué de manière compétitive dans des contextes de récupération ouverte et de contexte étendu.
Indexation basée sur les Propositions : Un graphe hiérarchique à trois couches novateur utilisant les propositions comme unité de récupération centrale. Les auteurs démontrent qu'il atteint un rappel de passage supérieur à celui des graphes basés sur des triplets (HippoRAG2) tout en utilisant 69 % de jetons d'indexation en moins.
Inférence Compartimentée : Un pipeline basé sur la planification avec des sous-agents isolés qui compartimentent le contexte à la fois entre les sauts et au sein de l'exécution individuelle de l'agent, empêchant une croissance illimitée du contexte.
Économie de Succès : Une nouvelle métrique d'évaluation qui plaide pour une évaluation consciente de l'efficacité dans la QA agentique, allant au-delà des benchmarks basés uniquement sur la précision.

Résultats Expérimentaux

GRASP a été évalué sur MuSiQue, 2WikiMultihopQA et HotpotQA dans deux configurations :

Configuration de Récupération sur Corpus Ouvert

Performance : GRASP a obtenu les meilleurs scores de Correspondance Exacte (EM), F1 et Juge sur MuSiQue et 2Wiki, surpassant IRCoT+HippoRAG2.
Efficacité : Il a utilisé 40 à 50 % de jetons en moins que IRCoT+HippoRAG2 tout en atteignant une précision supérieure. Sur HotpotQA, bien que IRCoT+HippoRAG2 ait eu une précision légèrement supérieure, il l'a fait à plus de 2 fois le coût en jetons.
Qualité de Récupération : Dans une récupération agentique simulée, GRASP a atteint un rappel de 0,904 contre 0,817 pour HippoRAG2, validant les propositions comme une unité de récupération supérieure.

Contexte Étendu (LongBench)

Performance : GRASP a mené en EM et F1 sur les trois jeux de données. Sur 2Wiki, il a amélioré l'EM de 12 points par rapport à GraphReader tout en utilisant environ 70 % du coût en jetons.
Efficacité : GRASP a utilisé 30 % de jetons en moins que la méthode suivante la plus précise (GraphReader) tout en maintenant des scores Juge compétitifs ou supérieurs.
Ablation : La suppression du graphe de propositions ou de la couche de sélection d'entités a considérablement dégradé les performances ou augmenté l'utilisation des jetons, confirmant la nécessité de la structure à trois couches.

Importance et Revendications

L'article revendique que GRASP se situe sur la frontière de Pareto pour les compromis précision-coût dans la QA multi-sauts. En traitant l'efficacité des jetons comme un objectif de conception de premier ordre aux côtés de la précision, GRASP aborde la tension fondamentale des systèmes agentiques où la profondeur du raisonnement conduit généralement à une croissance exponentielle des jetons.

Les auteurs soulignent que :

Les propositions sont supérieures aux triplets : Elles préservent la nuance sémantique perdue lors de l'extraction de triplets et servent d'unités plus discriminatives pour la récupération basée sur l'embedding.
La décomposition structurée est vitale : La décomposition basée sur la planification couplée à une récupération structurée (le graphe) est plus efficace que l'entrelacement de la récupération avec la chaîne de pensée seule.
L'efficacité est une exigence standard : L'introduction de l'"Économie de Succès" plaide pour que la communauté adopte une évaluation consciente de l'efficacité comme pratique standard, reconnaissant que le coût d'inférence évolue directement avec la complexité du raisonnement.

Le travail suggère que les améliorations futures pourraient se concentrer sur le raffinement de la précision de décomposition du planificateur (actuellement un goulot d'étranglement pour les questions à 3 et 4 sauts) via un ajustement fin supervisé ou l'apprentissage par renforcement, mais l'architecture actuelle démontre déjà un bond significatif dans l'équilibre entre performance et coût.