HG-RAG to nowe podejście do retrieval-augmented generation (RAG), którego problemy zaczęły się od tradycyjnych systemów pobierających informacje z płaskich baz dokumentów. Istniejące rozwiązania mają trudności, gdy zapytanie wymaga zrozumienia zależności hierarchicznych lub relacji między pojęciami - odpowiada na to nowa metoda budowana wokół przechodzenia po strukturze grafu.
System działa w ten sposób: najpierw identyfikuje "kotwicę" - kluczową encję z pytania użytkownika. Następnie ekspanduje kontekst w czterech kierunkach - w górę do węzłów rodzicielskich, na boki do sąsiednich węzłów relacyjnych i w dół do węzłów potomnych, gdy jest to konieczne. Ta intelligentna nawigacja po grafie dostarcza strukturyzowany kontekst do modelu językowego, zamiast losowych fragmentów tekstu.
Badania porównały HG-RAG z tradycyjnym dense retrieval na trzech różnych skalach - od 18 do 800 węzłów - używając czterech typów zapytań: lokalne fakty, zadania hierarchiczne, wyszukiwanie w sąsiedztwie i multi-hop reasoning. Wyniki pokazują konsekwentną przewagę HG-RAG w zadaniach wymagających rozumowania hierarchicznego i relacyjnego, a także redukcję halucynacji i lepszą spójność odpowiedzi. To szczególnie ważne dla zastosowań wymagających precyzji - od systemów medycznych po bazy wiedzy korporacyjne.