NativeScope: Relation-Localized Retrieval over Native Topology with a Correct Anchor
NativeScope：基于正确锚点的原生拓扑关系限定检索
🧭 关系限定检索 · 原生拓扑锚点
用 (A,r,B) 关系范围限定再排序，RAG 召回在文档/记忆上提升 42.75/22.00 个百分点
📌 工作参考价值
- 在电商知识库或客服 Agent 中，商品详情页模块、订单时间线、客服会话轮次等原生结构都可以作为 belonging/before/after 的范围过滤信号；先把用户问题中已有的锚点（如商品 ID、会话时间点）转成 scope，再在范围内做语义排序，能显著减少无关 chunk 召回。
- 工程上优先建设结构化范围索引，而不是只优化 query 改写：论文中 NS-FullQ 与短 query 版本差异不显著，说明主要收益来自关系性范围限定，而非排序问题变短，因此应把原生拓扑和过滤算子纳入检索链路。
- 自动锚点定位会带来明显风险：Top-1 自动锚点让记忆召回从 72.50% 跌到 35.50%。业务上应优先使用用户显式选择、稳定记录 ID 或高置信度上游定位器；弱锚点场景需要软约束或回退到全局检索，避免硬范围过滤继承定位错误。
- 可复用的评估思路：把检索评估拆成“给定正确锚点的条件召回”和“自动锚点定位”两部分，能更清楚地区分定位误差与范围检索能力，适合在搜索/推荐/Agent 记忆系统中做模块化归因。
动机：密集检索通常按语义相似度排序 chunk，忽略了文档和记忆系统已有的原生拓扑，如章节归属、会话边界、原生顺序。这类结构能直接限制搜索空间，但常被平坦化文本检索丢弃。
方法关键点：NativeScope 采用 scope-then-rank，将查询建模为 q→(A,r,B)。锚点 A 和关系 r 通过 belonging、before、after 算子选定原生单元范围，目标项 B 只对与范围重叠的 chunk 排序。另设变体 NS-FullQ，对同批候选用完整问题排序，以检验短 query 的影响。评估基于 QASPER 和 LongMemEval 的 200 条受控文档/记忆记录，预算 1024 token。
关键结果：NativeScope 的文档原生单元 recall 为 89.28%，记忆为 72.50%，分别比实例级 Dense RAG 提升 42.75 和 22.00 个百分点；NS-FullQ 为 87.78% 和 68.50%。两者差异不显著，说明收益主要来自关系范围限定，而非更短的排序 query。自动 Top-1 锚点场景下记忆 recall 跌至 35.50%，表明锚点定位错误会被硬范围继承。