← नवीनतम पेपर
💬 NLP

ACE-GraphRAG: Agentic Context Engineering for Hierarchical GraphRAG

यह शोध पत्र ACE-GraphRAG का प्रस्ताव करता है, जो एक एजेंटिक इन्फरेंस-टाइम फ्रेमवर्क है जो पैरेलल डिफरेंशियल रिट्रीवल और टास्क-स्पेसिफिक पॉलिसीज के माध्यम से कॉन्टेक्स्ट कंस्ट्रक्शन को डायनामिक रूप से अनुकूलित करके पदानुक्रमित (Hierarchical) GraphRAG में रिप्रेजेंटेशन-इन्फरेंस अंतराल को पाटता है, जिससे यह मल्टी-हॉप QA और समराइजेशन कार्यों पर स्टैटिक बेसलाइन्स से बेहतर प्रदर्शन करता है।

मूल लेखक: Yongfeng Huang, Yuren Lai, Ruiying Chen, Haoyu Huang, Mingming Zhao, James Cheng

प्रकाशित 2026-08-04
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Yongfeng Huang, Yuren Lai, Ruiying Chen, Haoyu Huang, Mingming Zhao, James Cheng

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, बहु-स्तरीय रहस्य को सुलझाने की कोशिश कर रहे हैं। आपके पास किताबों का एक विशाल पुस्तकालय है, लेकिन उन्हें एक-एक करके पढ़ने के बजाय, आप एक सुपर-स्मार्ट रोबोट लाइब्रेरियन से आपके लिए उत्तर खोजने के लिए कहते हैं। यह रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) की दुनिया है। इस कंप्यूटर विज्ञान के कोने में, हम AI मॉडल्स को सिखाते हैं कि वे अपनी याददाश्त से बाहर देखें, एक डेटाबेस से प्रासंगिक तथ्य निकालें, और फिर उन तथ्यों का उपयोग करके एक सटीक उत्तर लिखें।

लेकिन यहाँ एक पेंच है: कभी-कभी लाइब्रेरियन गलत तरह के तथ्य उठा लेता है। यदि आप "राष्ट्रपति कौन है?" जैसा सरल प्रश्न पूछते हैं, तो लाइब्रेरियन आपको कार्यालय के इतिहास के बारे में एक पूरी विश्वकोश प्रविष्टि लाकर दे सकता है। यदि आप "राष्ट्रपति के बचपन के दोस्त ने शांति संधि को कैसे प्रभावित किया?" जैसा जटिल प्रश्न पूछते हैं, तो लाइब्रेरियन केवल राष्ट्रपति का जन्म प्रमाण पत्र ही ला सकता है और उस मित्र के बारे में जानकारी छोड़ सकता है। लाइब्रेरी की व्यवस्थित अलमारियों और आपके द्वारा पूछे गए विशिष्ट प्रश्न के बीच यह बेमेल स्थिति रिप्रेजेंटेशन-इन्फरेंस गैप (representation–inference gap) कहलाती है। यह एक ऐसे टूलबॉक्स की तरह है जिसमें हथौड़े, पेचकश और आरी भरी हुई हैं, लेकिन आपको एक ऐसा पेंच दिया जाता है जिसे चलाने के लिए एक विशिष्ट ड्राइवर की आवश्यकता होती है, और रोबोट बस हथौड़ा उठा लेता है क्योंकि वह उसे सबसे पहले दिखता है।

अब, ACE-GraphRAG नामक एक नई प्रणाली की कल्पना करें जो लाइब्रेरियन और रोबोट लेखक के बीच एक बुद्धिमान, सक्रिय जासूस की तरह काम करती है। केवल लाइब्रेरियन द्वारा दिए गए तथ्यों को स्वीकार करने के बजाय, यह जासूस प्रश्न को देखता है, महसूस करता है कि क्या गायब है, और लाइब्रेरियन को ठीक वही चीज़ लाने के लिए वापस भेजता है जिसकी आवश्यकता है। यह केवल अधिक जानकारी खोजने के बारे में नहीं है; यह सही प्रकार की जानकारी खोजने और रोबोट द्वारा लिखना शुरू करने से पहले उसे पूरी तरह से व्यवस्थित करने के बारे में है।

जासूस की नई रणनीति

यह शोध पत्र ACE-GraphRAG (एजेंटिक कॉन्टेक्स्ट इंजीनियरिंग फॉर हिरार्किकल ग्राफआरएजी) को इस "गायब हिस्से" वाली समस्या के समाधान के रूप में पेश करता है। एक मानक AI सिस्टम को एक छात्र के रूप में सोचें जिसे नोट्स का एक ढेर दिया जाता है और निबंध लिखने के लिए कहा जाता है। यदि नोट्स बिखरे हुए हैं या उनमें एक महत्वपूर्ण पैराग्राफ गायब है, तो निबंध खराब होगा। ACE-GraphRAG एक ट्यूटर की तरह है जो छात्र को नोट्स मिलने के बाद लेकिन लिखने शुरू करने से पहले हस्तक्षेप करता है।

ट्यूटर नोट्स और निबंध के प्रॉम्प्ट (निर्देश) को देखता है और तीन महत्वपूर्ण प्रश्न पूछता है:

  1. क्या गायब है? (गैप डायग्नोसिस): "हे, तुम्हारे पास राष्ट्रपति के बारे में तथ्य हैं, लेकिन तुम्हारे पास उनके बचपन के दोस्त वाला हिस्सा गायब है!"
  2. हमें कहाँ देखना चाहिए? (रिट्रीवल ब्रांचेस): "यदि हमें विशिष्ट नामों के लिए चाहिए तो 'डीप फैक्ट्स' शेल्फ पर चलते हैं, या यदि सामान्य सारांश चाहिए तो 'बिग पिक्चर' शेल्फ पर चलते हैं, यह इस पर निर्भर करता है कि हमें क्या चाहिए।"
  3. हमें इसे कैसे व्यवस्थित करना चाहिए? (टास्क अडैप्टेशन): "इतिहास के निबंध के लिए, हमें एक टाइमलाइन चाहिए। सारांश के लिए, हमें एक विस्तृत अवलोकन चाहिए।"

यह प्रणाली पैरेलल डिफरेंशियल रिट्रीवल (Parallel Differential Retrieval) नामक एक चतुर तकनीक का उपयोग करती है। कल्पना कीजिए कि जासूस दो धावकों को एक साथ बाहर भेज रहा है। एक धावक (डेप्थ ब्रांच) विशिष्ट, कठिन तथ्य जैसे नाम और तारीखें खोजने के लिए लाइब्रेरी में गहराई तक जाता है। दूसरा धावक (ब्रेड्थ ब्रांच) लाइब्रेरी के चारों ओर घूमकर बड़े-चित्र वाले सारांश और विभिन्न विषयों के बीच संबंध खोजता है। वे अपने निष्कर्ष लेकर आते हैं, और जासूस उन्हें मूल नोट्स के साथ जोड़ देता है, यह सुनिश्चित करते हुए कि हर तथ्य कहाँ से आया है इसका हिसाब रखा जाए।

खेल खेलने के दो तरीके

शोध पत्र इस जासूसी प्रणाली का उपयोग करने के दो अलग-अलग तरीकों का परीक्षण करता है:

  1. FULL-ACE: यह "हमेशा चालू" मोड है। जासूस हर एक प्रश्न के लिए, चाहे वह कितना भी सरल या जटिल क्यों न हो, पूर्ण और कठोर रणनीति लागू करता है। वह हमेशा अंतराल की जाँच करता है, हमेशा दोनों धावकों को भेजता है, और हमेशा नोट्स को पूरी तरह से व्यवस्थित करता है।
  2. ADAPTIVE-ACE: यह "स्मार्ट मोड" है। धावकों को भेजने से पहले, जासूस पहले प्रश्न के आकार का अनुमान लगाता है।
    • यदि प्रश्न किसी एक चीज़ के बारे में है (जैसे "राष्ट्रपति कौन है?"), तो यह एक नोड (Node) प्रश्न है। जासूस विशिष्ट तथ्य प्राप्त करने के लिए केवल डेप्थ धावक को भेजता है।
    • यदि प्रश्न तुलना करने के बारे में है (जैसे "A या B में से कौन लंबा है?"), तो यह एक एज (Edge) प्रश्न है। जासूस तुलना प्राप्त करने के लिए ब्रेड्थ धावक को भेजता है।
    • यदि यह घटनाओं की एक श्रृंखला है (जैसे "राष्ट्रपति के भाई का मित्र कौन है?"), तो यह एक चेन (Chain) प्रश्न है। जासूस दोनों धावकों को भेजता है ताकि यह सुनिश्चित हो सके कि श्रृंखला की कोई भी कड़ी टूटे नहीं।
    • यदि यह एक व्यापक सारांश है (जैसे "AI के इतिहास के बारे में बताएं"), तो यह एक सबग्राफ (Subgraph) प्रश्न है। जासूस एक विस्तृत दृश्य प्राप्त करने के लिए दोनों धावकों को भेजता है।

उन्होंने क्या पाया

जब शोधकर्ताओं ने इन प्रणालियों का परीक्षण उन कठिन प्रश्नों पर किया जिनमें कई बिंदुओं को जोड़ने की आवश्यकता होती है (जैसे "फिल्म X के निर्देशक का जीवनसाथी कौन है?") और लंबे दस्तावेज़ों का सारांश बनाने पर किया, तो परिणाम स्पष्ट थे।

FULL-ACE प्रणाली ने उन सभी मानक AI सिस्टम को पछाड़ दिया जिनके साथ इसकी तुलना की गई थी। यह जटिल प्रश्नों के उत्तर देने और बेहतर सारांश लिखने में बेहतर था। लेकिन ADAPTIVE-ACE प्रणाली और भी बेहतर थी। प्रश्न के विशिष्ट आकार के अनुसार अपनी रणनीति को अनुकूलित करके, इसने जटिल उत्तरों की सटीकता को और भी अधिक सुधार दिया।

उदाहरण के लिए, HotpotQA नामक एक डेटासेट पर, मानक सिस्टम ने लगभग 23% से 27% उत्तर सही दिए। FULL-ACE सिस्टम ने 32% सही दिए। ADAPTIVE-ACE सिस्टम ने 36% सही दिए। एक अन्य कठिन डेटासेट 2WikiMultiHopQA पर, उछाल और भी नाटकीय था: मानक सिस्टम के लिए लगभग 28% से बढ़कर FULL-ACE के लिए 52%, और ADAPTIVE-ACE के लिए भारी 56% तक पहुँच गया।

शोध पत्र ने यह भी दिखाया कि यह "जासूस" दृष्टिकोण तब भी अच्छी तरह काम करता है जब अंतर्निहित लाइब्रेरी (ग्राफ संरचना) अलग होती है। यह केवल एक विशिष्ट प्रकार के डेटाबेस के लिए एक विधि नहीं है; यह AI को उसके द्वारा खोजी गई जानकारी का उपयोग करने में स्मार्ट बनाने के लिए एक सामान्य रणनीति है।

मुख्य निष्कर्ष

मुख्य खोज यह है कि आप जानकारी को कैसे तैयार करते हैं, यह जानकारी खोजने जितना ही महत्वपूर्ण है। आप केवल AI में तथ्यों का ढेर नहीं लगा सकते और एक पूर्ण उत्तर की उम्मीद नहीं कर सकते। आपको संदर्भ को सक्रिय रूप से इंजीनियर करना होगा, अंतराल को भरना होगा और टुकड़ों को व्यवस्थित करना होगा, इस आधार पर कि प्रश्न वास्तव में क्या चाहता है।

लेखक सुझाव देते हैं कि संदर्भ निर्माण (context construction) को एक लचीली, बुद्धिमान प्रक्रिया के रूप में मानना—न कि एक निश्चित, एक-समान नियम के रूप में—बेहतर AI प्रदर्शन को अनलॉक करने की कुंजी है। चाहे आप एक सरल तथ्य पूछ रहे हों या एक जटिल पहेली सुलझा रहे हों, सर्वश्रेष्ठ AI केवल जानकारी प्राप्त नहीं करता; वह अनुकूलित होता है। और AI की दुनिया में, यही अनुकूलन क्षमता एक अच्छे उत्तर को एक महान उत्तर में बदल देती है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💬 cs.CL →