Tessera: Structure-Completed Evidence Units for Web Retrieval-Augmented Generation
Tessera：面向 Web RAG 的结构补全证据单元
🧭 RAG 结构化证据交付优化
The Chinese University of Hong Kong, Shenzhen · The University of Hong Kong · Beijing University of Posts and Telecommunications
训练无关的证据交付层，将检索页面重建为结构完整的证据单元，文本/截图/Agentic RAG 提升 5-6 点准确率
📌 工作参考价值
- 电商详情页/商品参数表在 RAG 中常因提取或固定 chunk 丢失表头、价格、规格等结构化证据。可借鉴 Tessera 在 query-time 从原始 HTML 重建“标题路径+表头+行”的证据单元，用 cross-encoder 选相关行打包进一个 token 槽，保留 top 检索结果中的 prose。
- Agent 多跳搜索（如选品、竞品分析）可在每次 search 工具返回中加入该层：替换最后一个 doc 为结构补全的单元块，不仅提升准确率，还让 agent 少搜索、上下文更短（FRAMES +5.2，搜索次数 2.41→2.19）。
- 对多模态/截图索引同样有效：用 top tiles 定位页面，再从 HTML 构建单元替换最后一个 tile，比单纯增加 tile 数量更省 token 且更准；适合在截图索引上叠加，无需重建索引。
- 工程实现：单元构建可离线缓存 per page，query 时只需解析少量 anchor pages 和 cross-encoder 打分，新增成本低（15ms CPU/页 + 0.2 GPU-s/query）；可作为现有 RAG pipeline 的即插即用层，不改变 index/retriever/reader。
动机 Web RAG 通常将页面切成固定 chunk 或截图 tile，并把同一对象同时用于索引、排序、阅读。对英文 Wikipedia 全量证据追踪发现，text 与 screenshot pipeline 都在丢失结构化证据：9.7% 的问题证据已存在存储 chunk 中却未进入 top-3；7.6% 的证据从未完整进入索引，其中 81% 是表格单元格、表头或 caption。更强抽取、上下文扩展、更大 reader 预算都无法自然恢复。
方法关键点
- 训练无关的查询时交付层：从 ranked list 收集 anchor pages 的 HTML，保留 top k-1 项，用最后一个 slot 替换成结构补全的证据单元块，token 预算不变。
- 单元构建：按 DOM 顺序生成段落、列表项、figure caption 和表格行；每行携带页面标题、章节路径、表格标题和列 header。针对合并单元格构建 faithful grid（span expansion、title/header/group rows、key-value、嵌套表继承）。
- 选择与打包：lexical prefilter（N=100）后用 cross-encoder（复用 BGE-reranker-v2-m3）对 (query, completed unit) 打分，按分组共享 context/headers 进行预算中性打包。
关键结果
- NQ/NQ-Tables/SimpleQA 共 7,851 问题上，Tessera 对 hybrid text pipeline +5.0 点，PixelRAG text +6.2，PixelRAG screenshot +5.6；跨检索器增益 4.9-5.5，跨 reader 保持。
- 对比 14 种 baseline，matched budget 下最优；3K tokens + Tessera 超过 12K tokens chunks，1 tile + unit block 2K 超过 14 tiles 12K。
- Agentic search：FRAMES +5.22，搜索次数减少，上下文更短；消融显示结构补全是关键（bare units +1.8 vs completed +4.6）。
最值得记住的一句话 检索到页面后不要直接读 chunk，从页面 HTML 重建结构完整的小证据单元并塞进不变预算，可稳定提升 5-6 点准确率。