今天为大家分享一篇长文档 RAG 论文：SproutRAG。
长文档 RAG 最头疼的一个问题，其实很朴素：chunk 到底切多大？
切小了，检索很精准，但上下文容易断；切大了，上下文完整，但噪声又会变多。很多方法选择让 LLM 帮忙切块、扩展上下文，或者给层级节点做摘要。但这样又会带来在线/离线 LLM 成本、粒度固定，以及摘要丢信息的问题。
SproutRAG 的想法很形象：别再死切 chunk，让文档自己长成一棵树。
长文档 RAG 的核心矛盾
RAG 处理长文档时，通常会把文档切成一堆 chunks，再用向量检索找相关片段。
但 chunk 粒度天然有矛盾。
如果切成句子或很短的片段，检索结果会很精准，但证据可能只剩一个局部点，缺少前后逻辑。比如法律合同里，一个责任限制条款可能由连续几句话共同构成，只找其中一句就会漏掉例外条件。
如果切成大段，模型能看到更多上下文，但检索结果也更容易混入无关内容，浪费 token，还可能干扰生成。
已有方法一般有三类：LLM-guided chunking、single-level context expansion、hierarchical summarization。它们分别对应三个代价：要调用 LLM、只能在单一粒度扩上下文、摘要可能压丢原始证据。分块切断语义？哈佛InSemRAG解决了,速度快4倍
SproutRAG 要解决的，就是这个“精准”和“连贯”不能兼得的问题。
SproutRAG方案介绍
Attention-guided tree：让文档自己长成树
SproutRAG 的第一步，是从 sentence-level chunks 出发，把长文档组织成一棵attention-guided binary chunking tree。
它不是人工规定哪些句子该放在一起，也不是让 LLM 先总结一遍文档，而是利用小语言模型 SLLM 的 inter-sentence attention。
简单说，模型会看不同句子之间的注意力关系：哪些句子语义上更相关，就先把它们合并成一个节点；节点再继续合并，最后形成一棵二叉树。
论文中特别强调，SproutRAG 学习的是 attention heads 和 layers 的加权组合，而不是把所有注意力头简单平均。因为不同头捕捉的关系不同，朴素平均会引入 proximity bias，让距离近但语义未必强相关的句子更容易被合并。
这棵树的好处是：文档不再只有一种切法。叶子节点是细粒度句子，中间节点是更大的语义单元，更高层节点则对应更宽的上下文。
Progressive embeddings：每个粒度都有自己的表示
树建好以后，SproutRAG 不会把中间节点压缩成 LLM summary。
它使用progressive embeddings，让不同层级的节点都有自己的向量表示。这样做的关键，是避免 summarization 带来的信息损失。
大白话说，SproutRAG 同时保留了多种尺度：
- 叶子：句子级证据，适合精确命中；
- 中间节点：相邻句子组成的语义片段，适合保留局部上下文；
- 子树：更大的文档区域，适合覆盖长距离相关信息。
这就把“chunk 应该切多大”从一个固定选择，变成了检索时的动态选择。
Hierarchical beam search：检索时沿树找证据
SproutRAG 的检索也不是平铺式向量搜索。
它使用hierarchical beam search，在树上逐层搜索候选节点。检索时，系统可以返回 fine-grained leaves、mid-level nodes，也可以返回 broader subtrees。
这点很重要。普通 flat retrieval 通常只能返回一堆固定大小的 chunks；SproutRAG 则可以根据问题需要，在不同粒度上选证据。
如果问题只需要一个细节，就摘叶子；如果问题需要多句共同构成的解释，就拿中间节点；如果问题需要更宽上下文，就取更大的子树。
所以 SproutRAG 的检索画面不是“在碎片堆里找相似块”，而是“沿着文档树摘证据”。
Joint objective：树结构和向量表示一起学
SproutRAG 不是先随便建一棵树，再训练一个检索器。
论文说，它用 joint objective 端到端训练，同时优化 embeddings 和 tree structure。
这意味着两件事会互相影响：
- 节点表示能不能被检索到；
- 树结构是不是把真正相关的句子合在了一起。
Table 3 的消融实验也围绕这点展开，比较了训练目标、tree/retrieval design，以及 beam sizeb和lambda的影响。
这也是 SproutRAG 和很多层级摘要方法的区别：它不是把层级结构当成后处理，而是让结构本身参与训练。
实验结果
论文在 scientific、legal、open-domain 等四个检索基准上评估 SproutRAG。
摘要里给出的核心结果是：SproutRAG 的 information efficiency，也就是 IE，平均比最强 baseline 提升 6.1%。
SproutRAG 在四个 retrieval benchmarks 上 IE 都是最高。相对最强 baseline，分别提升：
- Dragonball：+8.06；
- SCI-DOCS：+4.65；
- LegalBench-RAG：+4.90；
- MS MARCO：+6.83。
这说明它不是简单把更多内容塞给模型，而是更会挑内容：既能保留上下文，又能避免太多无关噪声。
端到端结果也能看出成本优势。SproutRAG 的 online Tok/Q 是4382，延迟是193ms。对比一下：GraphRAG 是 16238 tokens、2317ms；PageIndex 是 24620 tokens、2847ms。
当然，PageIndex 在部分最终质量指标上更高，比如 HotpotQA / WebQuestions F1 和 Dragonball 指标，但它的在线成本也明显更重。SproutRAG 的定位更像是：在答案质量、检索效率和在线成本之间取得更好的平衡。
定性案例：法律问题不能只拿一句话
法律案例很能说明多粒度检索的价值。
问题是：协议是否限制 provider 的责任？有哪些例外或排除？
MoC 找到了 liability cap，也就是责任上限，但缺少损害排除和例外条件。SAKI-RAG 找到 damage exclusion + liability cap，但仍漏掉 exception sentence。
SproutRAG 则返回了一个 internal clause-level node，把相关条款作为一个更完整的语义单元取出来。
这类问题需要的不是一个孤立句子，而是一组共同构成法律含义的句子。SproutRAG 的树结构正好让系统能返回“刚好够用”的证据单元。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
