一句话理解
GraphRAG 里的“什么时候停止继续检索或扩展”不是附属工程细节,而是一个核心决策问题:当额外预算的边际信息收益低于其代价时,系统就应该停止。
这个理论点在回答什么问题
- 为什么有些系统会过早停止,导致证据不够?
- 为什么有些系统明明已经够了,还继续搜索,结果只引入噪声?
- 如何把停止问题统一到 test-time budget allocation 里?
一个够用的形式化直觉
设当前时刻系统状态为 s_t,已收集证据为 E_t,剩余预算为 B_t。
系统此时至少有两类动作:
continue再做一次扩展 / 检索 / 验证。stop用当前证据进入回答阶段。
于是停止问题可以被粗略写成:
- 如果继续带来的期望信息增益 > 继续的代价,就继续;
- 否则停止。
在 GraphRAG 里,“代价”通常包括什么
- 更多 token
- 更多 latency
- 更多 API / 推理成本
- 更多噪声引入风险
- 更大的搜索空间偏航风险
“收益”又通常包括什么
- 证据更完整
- 路径更闭合
- 不确定性降低
- 多粒度支持更充分
当前知识库里最能说明问题的材料
Inference-Scaled-GraphRAG
- 它已经给出一个很好的经验现象: 步数和轨迹数继续增加时,收益会明显递减。
这本质上说明:
- 停止不是随便定一个最大步数;
- 而是存在边际收益拐点。
Think-on-Graph-ToG
- 它的 sufficiency judgment 非常关键;
- 说明停止问题在 agentic GraphRAG 中早就存在,只是常被写成 heuristic。
GeAR 与 Graph-R1
- 这些方法进一步表明: 停止和 replanning 是耦合的。
- 当前不该停止时,不一定只意味着“继续同样搜”,也可能意味着“换策略再搜”。
为什么这和信息率分配是同一个问题
- 每继续一步,都是把额外预算投给当前搜索轨迹;
- 停止,就是决定不再把预算投给这条轨迹。
因此停止准则,本质上就是:
- 边际信息收益 与
- 边际预算成本
之间的比较。
可以把停止策略分成三类
1. 固定预算停止
- 例如固定 step 数、固定 top-k、固定 beam。
- 优点: 简单、易控。
- 缺点: query 不自适应。
2. 置信度停止
- 当系统认为当前证据“够了”就停。
- 优点: 更灵活。
- 缺点: 强依赖 calibration。
3. 边际收益停止
- 当新增一步带来的 expected gain 很小就停。
- 优点: 最接近理论理想。
- 缺点: 需要更难估计的收益函数。
为什么停止错误很危险
1. 过早停止
- coverage 不够
- bridge evidence 缺失
- 支持链不闭合
2. 过晚停止
- 带宽被噪声占满
- 轨迹漂移
- 系统成本暴涨
为什么这和已有理论节点直接相关
与 GraphRAG中的Test-time-Compute与信息率分配
- 这篇更像它的“停止判定版本”;
- 讨论的是 allocation 何时该结束。
与 GraphRAG中的Retrieval Calibration
- 如果系统对 sufficiency 判断不准;
- 停止准则就会系统性失效。
与 GraphRAG中的多粒度证据最小充分集
- 理想停止点,往往正对应找到当前 query 的最小充分集。
常见误区
误区 1:停止只是为了省成本
- 不对。
- 它也直接影响最终答案质量。
误区 2:只要最大步数够大,停止就不是问题
- 也不对。
- 没有好停止准则,预算会被大量浪费在低信息收益区域。
误区 3:停止和 rerank / verification 无关
- 错。
- 很多停止决策恰恰依赖验证模块给出的 sufficiency 信号。
更深的问题
- 能否为 GraphRAG 定义统一的 stopping value function?
- 继续一步的边际信息收益该如何估计?
- 多路径搜索和单路径深搜的停止条件是否应不同?
- 最小充分集能否成为统一停止目标?
相关笔记
- GraphRAG中的Test-time-Compute与信息率分配
- Inference-Scaled-GraphRAG
- Think-on-Graph-ToG
- GeAR
- Graph-R1
- GraphRAG中的Retrieval Calibration
- GraphRAG中的多粒度证据最小充分集
- GraphRAG-理论基础地图
这是一篇概念笔记,用来把 GraphRAG 中的 stopping、sufficiency judgment 与预算控制统一到一套边际收益视角下。