混合架构与选型：向量、图、关键词的融合路由

本文基于模型知识整理（生成时未联网核对），关键结论建议对照经典文献复核。

一句话定义

生产级 RAG 的主流形态是"多路混合 + 查询路由"：向量/BM25 负责语义片段、图负责结构与多跳、社区摘要负责全局，路由器（规则或 LLM）按问题类型分发或并行融合——选型的本质是按业务问题分布给三条路分配投资。

为什么重要

kp-022 论证了三条路各有不可替代的强项，没有一条能通吃。工程难题因此变成：怎么判断一个查询该走哪条路、多路结果怎么合并、构建与维护预算怎么分——这就是融合路由与选型框架要回答的。LightRAG 等轻量方案则证明"混合"不必以 GraphRAG 级成本为代价。

前置知识

kp-010（RRF 融合）、kp-022（三盲区）、kp-025（图检索模式）。

核心概念

• 查询路由（query routing）：分类问题类型后分发——事实片段→向量/BM25；关系/多跳→图；全局综述→社区摘要。实现从简到繁：关键词规则（"谁的/哪些供应商"触发图）→ 小模型分类器 → LLM 判断。
• 并行融合：不路由，多路全跑，结果 RRF/加权融合进上下文——延迟高但无路由错误风险；适合问题类型混合、延迟不敏感的场景。
• LightRAG（2024）：GraphRAG 的轻量对照——简化抽取、双层检索（实体级 low-level + 主题级 high-level）、关键词抽取驱动双路，免去 Leiden+全社区摘要的重成本；适合中等规模语料的图增强入门。
• 选型四问：① 问题分布三类占比？② 文档更新频率（图增量成本）？③ 预算（索引 token/维护人力）？④ 延迟要求（图查询与全局摘要的延迟档位不同）？

原理与机制

路由器的实现阶梯（按可靠性×成本排）：

1. 规则优先：高频问题模式（含"的……的"链、聚合词"哪些/共有/排名"）正则触发图路，零成本零延迟，覆盖 60–80% 显意图查询。
2. 小模型分类：三类（片段/结构/全局）分类器，训练数据从真实查询标注；几毫秒延迟。
3. LLM 路由：最准最贵，且可与查询改写（kp-011）合并成一次调用省成本。

兜底原则：路由不确定时并行多路（宁可贵不可错）。

结果融合的上下文预算分配：多路结果进入同一上下文时要分区标注来源（[向量]、[图谱]、[摘要]），防模型混淆证据性质；预算按路的可靠性与问题类型动态分配（结构问题给子图 60% 预算，片段问题反之）。

成本结构对比（选型的量化基础）：

方案	索引成本	更新成本	查询成本	覆盖盲区
纯向量+BM25	低	低	低	多跳/全局
+图（LightRAG 级）	中	中	低-中	全局弱
GraphRAG 全家桶	高（数量级）	高	全局查询高	无（三条全占）

图示

查询 ─► 路由器(规则/分类器/LLM)
   ├─ 片段型 ──► 向量+BM25(混合检索) ─┐
   ├─ 结构型 ──► 实体链接→Cypher/遍历 ─┼─► 分区融合 → LLM 生成
   └─ 全局型 ──► 社区摘要(global)     ─┘
不确定 → 并行多路 → RRF 融合

实例或案例

• 中型企业知识库（10 万文档）：向量+BM25 为主干，图只建核心实体（产品/部门/政策）与两跳关系，LightRAG 级实现——多跳与部分全局需求覆盖，索引成本约为 GraphRAG 全量方案的 1/10。
• 金融研报平台：问题分布全局类占比高（综述/对比），GraphRAG 式社区摘要值得投入；客服场景全局类 <5%，纯混合检索即可。

常见误区

• 误区一："上 GraphRAG = 技术先进"。不按问题分布选型是成本灾难；客服/政策类场景 80% 收益来自分块与混合检索这些便宜组件（kp-017 杠杆排序）。
• 误区二："路由用 LLM 一把梭"。规则先行的路由便宜、可解释、可调试；LLM 路由只处理规则覆盖不了的模糊地带。
• 误区三："多路结果直接堆进上下文"。不加来源分区会诱导模型把摘要当原文引、把子图当段落读；证据必须带性质标签。

与其他知识点的关系

• kp-010：RRF 是融合的工具箱。
• kp-011/025：路由与查询理解/图检索的衔接。
• kp-017：选型服从调优方法论——先评测问题分布再投资。
• kp-024：重方案的对照物。

自测题

1. 路由器的三级实现与适用场景？

答：规则（高频显式模式，零成本覆盖大头）→ 小模型分类（毫秒级，处理规则外）→ LLM（最准最贵，模糊地带）；不确定时并行兜底。

1. 选型四问是什么？

答：问题类型分布、文档更新频率、预算（索引与维护）、延迟要求——四问决定三条路各投多少。

1. 多路结果进上下文为什么要分区标注？

答：向量块、子图、社区摘要是性质不同的证据，不标注会导致模型混用（把摘要引用为原文、把关系链当叙述），影响忠实度与可核查性。

延伸阅读

• Guo 等, "LightRAG: Simple and Fast Retrieval-Augmented Generation"（arXiv 2024）。
• Edge 等 Microsoft GraphRAG（重方案对照）。
• Anthropic/LlamaIndex 关于 query routing 与 multi-retriever 融合的工程文章。