CausalRAG: Integrating Causal Graphs into Retrieval-Augmented Generation

会议: ACL 2025
arXiv: 2503.19878
代码: https://github.com/Pwnb/CausalRAG (有)
领域: RAG / 因果推理
关键词: 检索增强生成, 因果图, 知识图谱, 文档问答, 图索引

一句话总结

提出 CausalRAG，将因果图集成到 RAG 的检索过程中——从文档构建文本图并识别因果关系，在查询时通过因果路径发现和因果摘要生成来检索上下文，在文档问答中显著提升上下文精度（92.86%）和检索召回率。

研究背景与动机

1. 领域现状：RAG 通过检索外部知识来增强 LLM 的事实性。标准 RAG 基于文本分块+语义相似度检索，GraphRAG 则构建知识图谱辅助检索。
2. 现有痛点：(1) 标准 RAG 的文本分块会破坏文档结构和因果链；(2) 语义相似度不等于因果相关性——相似词不意味着因果关系；(3) GraphRAG 在检索精度和召回率之间存在 tradeoff（Local 精度高但召回低，Global 反之）。
3. 核心矛盾：很多复杂问题需要沿因果链推理（A 导致 B 导致 C），但语义相似度检索无法感知这种链式关系。
4. 本文要解决什么：如何让 RAG 系统理解并利用文档中的因果关系进行检索？
5. 切入角度：在图索引阶段识别因果关系（用 LLM），在查询阶段发现相关因果路径，生成因果摘要作为检索上下文。
6. 核心 idea：图索引 → 因果路径发现 → 因果摘要，三步实现因果感知的 RAG。

方法详解

整体框架

三个主要步骤：(1) 图索引：从文档中提取实体和关系，构建文本图，用 LLM 识别因果关系；(2) 因果路径发现：查询时找到与问题相关的因果路径；(3) 因果上下文检索：沿因果路径生成因果摘要，作为 LLM 的生成上下文。

关键设计

1. 图索引与因果关系识别:
2. 做什么：从文档构建包含因果关系标注的知识图谱
3. 核心思路：用 LLM 提取实体和关系三元组，然后对每条关系用 LLM 判断是否为因果关系并标注方向

4. 设计动机：因果关系是文档中最有价值的推理链路，显式标注使检索可以优先沿因果路径

5. 因果路径发现:

6. 做什么：给定用户查询，在因果图中找到相关的因果路径
7. 核心思路：从查询实体出发，沿因果边扩展 k 跳，收集 s 个候选路径，用 LLM 选择最相关的因果路径

8. 设计动机：因果路径比孤立的三元组提供更完整的推理链，k 和 s 控制检索的深度和广度

9. 因果上下文检索与摘要:

10. 做什么：将因果路径转化为自然语言摘要，作为 LLM 的生成上下文
11. 核心思路：LLM 根据选中的因果路径生成结构化的因果摘要，保留因果链条的逻辑关系
12. 设计动机：相比直接拼接检索文本块，因果摘要更聚焦、更有逻辑性

损失函数 / 训练策略

• 无需训练——完全基于 LLM 的 in-context 能力做图构建、因果识别、路径选择和摘要生成
• 超参数 k（因果路径跳数）和 s（候选路径数）需要调优，最佳 k=3, s=3

实验关键数据

主实验（基于 OpenAlex 学术论文的 QA）

方法	Answer Faithfulness↑	Context Precision↑	Context Recall↑
GraphRAG-Local	78.18	89.18	41.54
GraphRAG-Global	55.27	66.67	47.22
HippoRAG2	67.36	73.72	47.22
CausalRAG	78.00	92.86	49.46

消融实验（k 和 s 参数研究）

k, s	综合性能
k=1, s=1	0.534
k=3, s=3	0.782
k=5, s=5	0.824

关键发现

• 因果路径检索在精度和召回上同时优于 GraphRAG: Context Precision 92.86（+3.68 vs GraphRAG-Local），Context Recall 49.46（+7.92 vs GraphRAG-Local）
• 文档越长，CausalRAG 优势越大：从摘要（72.43）到全文（91.69），CausalRAG 在长文档上提升更显著
• 因果推理减少幻觉：Answer Faithfulness 78.00，接近最佳的 GraphRAG-Local 78.18，但 precision 更高

亮点与洞察

• "因果关系 > 语义相似度"用于检索：这是核心洞察。很多 RAG 失败案例是因为检索到语义相关但因果无关的内容，CausalRAG 通过因果路径有效解决了这个问题
• 无需训练的即插即用方案：完全基于 LLM 能力，不需要额外训练，易于部署
• k 和 s 的渐进分析：提供了检索深度/广度与性能的清晰 tradeoff 指导

局限性 / 可改进方向

• 依赖 LLM 内部知识做因果识别，在专业领域（医学/法律）可能不准确
• 因果路径识别需要额外 LLM 调用，引入计算开销
• 评估数据集规模较小（学术论文 QA），缺少大规模多领域验证
• 因果关系的识别质量直接影响下游性能，但缺少因果识别准确率的评估

相关工作与启发

• vs GraphRAG: GraphRAG 构建通用知识图谱，CausalRAG 专注因果子图，检索更有针对性
• vs HippoRAG2: HippoRAG2 模拟大脑记忆检索，CausalRAG 通过因果路径提供更结构化的推理
• vs 标准 RAG: 语义检索无法处理因果推理需求，CausalRAG 填补了这一空白

评分

• 新颖性: ⭐⭐⭐⭐ 因果图+RAG 的组合很有价值，但实现上主要依赖 LLM prompt
• 实验充分度: ⭐⭐⭐ 数据集小，评估指标有限
• 写作质量: ⭐⭐⭐⭐ 动机和方法阐述清晰
• 价值: ⭐⭐⭐⭐ 为 RAG 系统的因果感知检索提供了新方向