引言:为什么需要对知识库进行更新?检索增强生成(RAG)已成为大语言模型(LLM)落地的标准范式:通过检索外部知识库为模型提供上下文,既降低幻觉率,又避免了频繁重训。然而,一个被长期忽视的问题正在浮现——知识库本身会过时。
实际上由于技术文档每月进行版本迭代、金融报告按季度更新、政策法规持续修订等情况的存在,标准RAG系统面临严重的"版本混淆"问题:它只看语义相似度,不看时间有效性,常常把旧版本的内容当作当前答案返回。更进一步地,当知识库内存在更细粒度的知识冲突时,涉及到的知识增加、遗忘、冲突、演化等问题就需要更复杂的框架进行处理。
因而,本文梳理三篇代表性工作,它们从不同粒度、处理方法切入这一问题,构成了"可更新知识库"技术发展的清晰脉络。
一、VersionRAG: Version-Aware Retrieval-Augmented Generation for Evolving Documents
1. 背景
技术文档的版本迭代是普遍现象,每次更新都会引入新API、废弃旧特性,而当用户问"某个API在当前版本中是否可用"时,标准RAG系统表现不佳。
同时作者经过系统性测试发现:传统Naive RAG在版本敏感问题上仅58%准确率,GraphRAG也仅64%。失败原因有二:一是跨版本混淆,二是无法追踪隐式变更。为此,作者提出了以文档为单位,通过版本感知的图结构解决"多版本检索"问题的VersionRAG。
2. 核心方法
VersionRAG的核心创新是引入一个五层层级图结构来显式建模文档演化:
- Category层:文档分类(如API参考、配置指南)
- Document层:同一文档的标识
- Version层:该文档的所有历史版本,形成有序时间序列
- Content层:每个版本的具体内容片段
- Change层:版本间的变更记录(包括显式changelog和通过diff推断的隐式变更)
检索时,系统先对查询进行意图分类(是问"当前状态"还是问"版本间差异"?),然后路由到不同的检索路径并得到响应的检索内容,随后基于检索到的文档进行相关问题的回答。
3. 实验结果
在VersionQA基准测试(100个人工标注的版本敏感问题,覆盖34个技术文档)上,其准确率和版本变更召回性能均明显优于基线。
4. 局限
- 需要预先知道文档的版本序列关系,且更新只能以文档为单位进行触发,框架不够灵活。
- VersionQA基准规模较小(100题),基线覆盖不够广泛,泛化性待验证。
- 对非结构化、无明确版本号的文档(如新闻、报告)适用性有限。
- 本质上是只增量更新的知识库,并没有添加显式的遗忘机制,后续会导致知识库的过分冗余,且无法控制细粒度的知识更新。