RAG 被讲得最烂的一步就是检索，而且烂得出奇一致：一律画成“算相似度、取 top-k”。不是这一步有多难，是所有人都画得太懒了，我自己也在内。直到八月中 arXiv 上一篇做孟加拉语自动出题的论文，把我那张图摁着撕了。
先交代我错哪。第一版，也是网上到处都是的那版：
语料 ──切块──► 一堆 chunk ──embedding──► 提问，取最像的 k 个 ──► 塞给 LLM
顺理成章，demo 里也够用。我拿这版讲过好几回 RAG，没人提过异议——包括我自己。
论文叫 BengaliMCQ，八月十六那天挂出来的。干的事是拿孟加拉语教科书自动生成单选题，再做领域内的答案预测。低资源语言，LLM 在那儿本来就吃亏。但真正让我坐直的是检索那步：教科书没被切成一袋碎纸，而是建成了层次化的图。我读下来的理解是，教科书自己长的那副骨架，章、节、段落这种层次——全保留在图里，然后在图上用对比训练的方式训了个 GNN，只捞少量段落出来喂给 LLM。
我盯着这个设计看了半天。反应过来了。咔哒一下扣上了：我第一版丢的不是哪个模块，是一个前提，我默认“相关”等于“文本像”。
先别急着说“这不就是加了个目录嘛”。出题这个场景根本不吃 flat 那一套。打个比方：出一道考定义的题，定义在 3.2 节，最好的干扰项素材可能躺在 5.1 节的例子里，这两段话在 embedding 空间里八竿子打不着，但它们在目录上是亲戚。Flat 检索找的是“长得像的”，结构感知检索找的是“挂在同一个枝上的”。💡
重画：
第一版（我画的）：
[chunk][chunk][chunk][chunk] ……
一袋碎纸，谁跟谁都平级，只比"像不像"
论文这版：
章
╱ ╲
节 节
╱ ╲ ╱ ╲
段 段 段 段
段落挂在树上，GNN 沿着结构找"哪几个枝值得摘"
再给个比喻：去图书馆找资料，没人趴在一大堆复印页上挨张看脸熟，你是先查索引、走到架、抽出一本，沿着结构走。Embedding 相似度是“脸熟”，图结构是“住址”。教科书能这么玩，是因为它的住址是作者亲手写好的。
这个比喻有两处漏风，得老实标出来。
一是教科书属于结构最干净的那种语料，目录是真的、骨架是真的。你要是换成论坛帖、聊天记录这种天生没脊柱的东西，“结构感知”立马瘸一半，没结构可感知。所以别急着把这套当万金油搬回自己的场景，先问一句：你的语料有脊柱吗。
二是这棵树也不是老实巴交的目录树。GNN 学的是图上的表示，对比训练教它的是“图上什么样的关系算相关”，所以它可能比目录还灵，目录只会说“这俩同节”，它也许能学到“跨章但讲同一个考点”。这是整套设计里我觉得最酷的地方。但代价是不白拿：得训练，得有正负样本对。顺带坦白，负样本在图上到底怎么采，我还没完全画明白，先放这儿，懂了再补。
还有一层是低资源语言本身，这层我想通了之后反而更兴奋。孟加拉语没有什么魔法，关键在于 LLM 对孟加拉语学术内容的参数记忆很薄：英语场景你检索拉了，模型还能靠肚里的存货兜一半；孟加拉语教科书的内容，模型肚子里基本没有，你捞回来什么，它就知道什么。检索在这儿不是锦上添花，是承重墙。所以论文里检索指标压过强 dense 基线、下游出题相关性和答案预测跟着涨，我一点不吃惊，这条因果链直得不像话，检索好一寸，下游好一截！
扯远了，“用 LLM 出题、再用 LLM 答题”这个自环本身就值得单独画一期，出的题自己都答不对，多半是题出歪了……算了，拉回来，那是另一张图的事。
把两次画 RAG 的账对一下：上次我补的是下游那格“模型判断信不信检索回来的东西”；这次是往上游走了一步，捞什么，在动手捞之前就分了高下。一头一尾，中间才是大家天天聊的 prompt。合起来，这张图才算齐。
照例留个自检：你能给一个没碰过 RAG 的人讲明白，为什么教科书场景里“最相关的段落”经常不是 embedding 最像的那几段吗？讲不动的地方丢给我，多半那儿我也还没画透。
我手里攒着两个候选：图上的负采样到底怎么采、embedding 量化是怎么回事。下期画哪个，你说了算。