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

  1. 能否为 GraphRAG 定义统一的 stopping value function?
  2. 继续一步的边际信息收益该如何估计?
  3. 多路径搜索和单路径深搜的停止条件是否应不同?
  4. 最小充分集能否成为统一停止目标?

相关笔记


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。