Hacker News · 05.08.2026 ·Память и RAG

Hubmesh: оптимизация RAG через многошаговый поиск без участия LLM

Hubmesh — это новый инструмент для организации многошагового поиска (multi-hop RAG), который позволяет извлекать контекст из сложных графовых структур данных без использования LLM на этапе запроса. Решение минимизирует задержки и снижает затраты на инференс, перенося логику навигации по связям между документами на уровень алгоритмической обработки графа.

Традиционные RAG-системы часто требуют участия языковой модели для интерпретации промежуточных шагов при поиске ответов на сложные вопросы. Hubmesh предлагает альтернативный подход, где поиск нужной информации происходит через обход графа связей, что исключает лишние вызовы API. Это позволяет значительно ускорить получение релевантных данных для последующей генерации ответа.

Архитектура системы ориентирована на сценарии, где данные имеют выраженную структуру связей, а точность извлечения критически важна для качества итогового ответа. Использование подхода без LLM на этапе поиска также помогает избежать галлюцинаций, связанных с неверной интерпретацией промежуточных звеньев в цепочке рассуждений.

Ключевые факты

Hubmesh реализует многошаговый поиск (multi-hop retrieval) без необходимости обращения к LLM в процессе запроса.
Основной механизм работы основан на навигации по графовым структурам данных для поиска релевантных фрагментов.
Инструмент направлен на снижение стоимости эксплуатации RAG-систем за счет уменьшения количества токенов, затрачиваемых на промежуточные шаги.
Решение доступно в формате open-source проекта для интеграции в существующие пайплайны обработки данных.

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

Hacker News · Память и RAG MothRAG: фреймворк для многошагового RAG без графовых баз данных MothRAG — это новый подход к реализации многошагового (multi-hop) поиска в RAG-системах, который позволяет извлекать сложные логические связи из данных без необходимости построения и поддержки графовых структур. Решение ориентировано на снижение затрат и упрощение архитектуры, исключая дорогостоящие этапы переиндексации, характерные для классических графовых RAG-решений. Hacker News · Инфраструктура для агентов Оптимизация веб-поиска для локальных LLM без перерасхода контекстного окна Разработан метод эффективного подключения веб-поиска к локальным языковым моделям, позволяющий минимизировать потребление токенов. Вместо передачи полного содержимого веб-страниц в контекстное окно, решение использует специализированные инструменты для извлечения релевантных фрагментов данных. Это позволяет компактным моделям выполнять поисковые задачи, сохраняя производительность и избегая ограничений контекста, характерных для работы с объемным контентом в реальном времени. Hacker News · Память и RAG Grounded-forge: инструмент для прекомпиляции RAG-пайплайнов с суммаризацией Grounded-forge — это инструмент для оптимизации RAG-систем, который автоматизирует предварительную обработку данных через создание суммаризаций и структурированных представлений задач. Решение позволяет индексировать документы таким образом, чтобы при поиске модель получала не просто фрагменты текста, а контекстуально обогащенные данные, что значительно повышает точность ответов и снижает нагрузку на контекстное окно LLM. Hacker News · Инфраструктура для агентов LHIC: детерминированная автоматизация браузера без LLM в критическом пути Проект LHIC предлагает новый подход к автоматизации браузера, исключающий использование LLM из основного цикла выполнения команд. Вместо генерации кода на лету система опирается на детерминированные алгоритмы, что значительно повышает стабильность, скорость и предсказуемость агентных сценариев. Решение ориентировано на задачи, где критически важна точность взаимодействия с веб-интерфейсами без риска галлюцинаций модели. Hacker News · Память и RAG Graph-guard: графовый подход к многошаговому поиску в RAG-системах Graph-guard представляет собой инструмент для построения графов знаний, предназначенный для улучшения качества поиска в RAG-системах. Решение фокусируется на решении проблемы многошаговых запросов (multi-hop retrieval), где модели необходимо связывать разрозненные факты из разных документов. Инструмент автоматизирует извлечение сущностей и связей, создавая структурированную базу данных для более точного контекстного поиска при генерации ответов. arXiv · Память и RAG DualG-MRAG: новый подход к мультимодальному RAG через разделение рассуждений и поиска Исследователи представили DualG-MRAG — архитектуру для мультимодального RAG, которая разделяет макро-рассуждения и микро-сопоставление данных. Метод решает проблему неэффективности существующих систем при выполнении сложных многоходовых задач, где стандартные подходы не справляются с установлением связей между различными модальностями и документами. Новая архитектура позволяет точнее обрабатывать контекст и повышает качество ответов в мультимодальных сценариях. Hacker News · Память и RAG Новый метод RAG от Emory и IBM повышает точность до 97% при снижении затрат токенов Исследователи из Университета Эмори и IBM представили метод управляемого поиска (Governed AI retrieval), который значительно оптимизирует работу RAG-систем. Технология позволяет достичь 97% точности ответов, сокращая при этом расход токенов на 67%. Подход фокусируется на строгом контроле контекста, что минимизирует галлюцинации и повышает эффективность обработки данных в корпоративных ИИ-решениях. Hacker News · Память и RAG Архитектурный выбор: объединение глобальных знаний, поиска и RAG При проектировании систем на базе LLM возникает вопрос оптимальной стратегии поиска контекста. Разработчики обсуждают целесообразность комбинирования предобученных знаний модели, внешнего интернет-поиска и локальных RAG-систем. Выбор архитектуры напрямую влияет на точность ответов, задержку инференса и стоимость эксплуатации, требуя баланса между актуальностью данных и вычислительными затратами на извлечение информации. Hacker News · Память и RAG Оптимизация RAG: как отсеивать 68% лишнего контекста с помощью компактной LLM Команда Kapa.ai разработала метод фильтрации контекста для RAG-систем, позволяющий отсеивать до 68% нерелевантных данных перед подачей в основную модель. Использование компактной LLM для предварительной оценки фрагментов позволяет снизить затраты на токены и повысить точность ответов, исключая «шум» из поисковой выдачи векторных баз данных без потери качества генерации. Hacker News · Память и RAG Альтернатива GraphRAG: упрощенный подход к структурированию знаний Автор анализирует причины низкой эффективности сложных систем GraphRAG при построении корпоративных баз знаний. Вместо создания громоздких графов знаний, предлагается архитектура на основе иерархических метаданных и семантического поиска. Такой подход позволяет достичь высокой точности ответов ИИ-агентов, избегая избыточной сложности, вычислительных затрат и проблем с масштабируемостью, характерных для классических графовых методов.

← Все материалы