4.4 · 高级召回策略（Advanced Retrieval Strategies）

记忆管道与知识图谱构建 · 本章是 Cognee DeepWiki 中文译文的独立章节页，保留原始链接、源码锚点、模块标签和章节层级。

项目Cognee 章节4.4 状态全文译文模块系统架构、检索、召回与索引、测试、发布与运维、存储与持久化

项目要点页2.5 参考项目项目章节目录Cognee DeepWiki 原始章节Advanced Retrieval Strategies 上一章4.3 下一章4.5

源码线索

CLAUDE.md
cognee/infrastructure/databases/graph/postgres/__init__.py
cognee/infrastructure/databases/graph/postgres/adapter.py
cognee/infrastructure/databases/graph/postgres/tables.py
cognee/infrastructure/llm/prompts/extract_query_time.txt
cognee/modules/retrieval/base_retriever.py
cognee/modules/retrieval/completion_retriever.py
cognee/modules/retrieval/cypher_search_retriever.py
cognee/modules/retrieval/graph_completion_context_extension_retriever.py
cognee/modules/retrieval/graph_completion_cot_retriever.py

模块标签

系统架构
检索、召回与索引
测试、发布与运维
存储与持久化
工作流与编排

中文译文

高级召回策略（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/topoteretes/cognee/4.4-advanced-retrieval-strategies

翻译时间：2026-05-27T08:45:22.396Z

翻译模型：deepseek-chat

原文字符数：15354

项目：Cognee (cognee)

---

高级检索策略

高级检索器概述

Cognee 提供了多种高级检索策略，这些策略扩展了基础 GraphCompletionRetriever 或实现了专门的逻辑：

检索器类	主要策略	使用场景
`GraphCompletionCotRetriever`	带验证的思维链推理	需要多步推理的复杂查询
`GraphCompletionContextExtensionRetriever`	迭代上下文扩展	初始上下文可能不完整的查询
`TemporalRetriever`	时间感知过滤和事件检索	时间相关查询（"2024 年发生了什么？"）

所有基于图的高级检索器都遵循三阶段检索模式：

get_retrieved_objects() - 获取原始图元素（三元组、事件或子查询结果）。
get_context_from_objects() - 将检索到的数据转换为文本上下文。
get_completion_from_context() - 生成最终的大语言模型（LLM）响应。

来源： cognee/modules/retrieval/graph_completion_cot_retriever.py:36-50，cognee/modules/retrieval/graph_completion_context_extension_retriever.py:14-18，cognee/modules/retrieval/temporal_retriever.py:19-33

---

类层次结构和继承关系

下图展示了基础检索类与高级实现之间的关系。

classDiagram
    class BaseRetriever {
        <<抽象>>
        +get_retrieved_objects()
        +get_context_from_objects()
        +get_completion_from_context()
        +get_completion()
    }

    class GraphCompletionRetriever {
        +top_k: int
        +wide_search_top_k: int
        +triplet_distance_penalty: float
        +session_id: str
        +response_model: Type
        +get_triplets(query)
        +resolve_edges_to_text(edges)
        +get_retrieved_objects()
    }

    class GraphCompletionCotRetriever {
        +validation_system_prompt_path: str
        +followup_system_prompt_path: str
        +max_iter: int
        +_run_cot_completion()
        +get_retrieved_objects()
    }

    class GraphCompletionContextExtensionRetriever {
        +context_extension_rounds: int
        +get_retrieved_objects()
        +_run_extension_round()
    }

    class TemporalRetriever {
        +time_extraction_prompt_path: str
        +extract_time_from_query()
        +filter_top_k_events()
        +get_retrieved_objects()
    }

    BaseRetriever <|-- GraphCompletionRetriever
    GraphCompletionRetriever <|-- GraphCompletionCotRetriever
    GraphCompletionRetriever <|-- GraphCompletionContextExtensionRetriever
    GraphCompletionRetriever <|-- TemporalRetriever

来源： cognee/modules/retrieval/base_retriever.py:1-20，cognee/modules/retrieval/graph_completion_retriever.py:33-60，cognee/modules/retrieval/graph_completion_cot_retriever.py:36-95，cognee/modules/retrieval/graph_completion_context_extension_retriever.py:14-54，cognee/modules/retrieval/temporal_retriever.py:19-65

---

思维链（CoT）检索器

概念

GraphCompletionCotRetriever 通过验证和后续问题实现迭代优化。在生成初始答案后，系统会根据可用上下文验证响应，并生成后续问题以从图中检索更多信息。此过程会重复 max_iter 轮（默认值：4）。

架构

思维链（CoT）检索器管理答案生成与推理驱动检索之间的循环。

flowchart TD
    Query["用户查询"] --> InitialRetrieval["get_triplets(query)"]
    InitialRetrieval --> InitialContext["resolve_edges_to_text()"]
    InitialContext --> InitialCompletion["_run_cot_completion()"]

    InitialCompletion --> CoTLoop{"循环 max_iter 轮"}

    CoTLoop --> Validation["验证阶段<br/>LLMGateway.acreate_structured_output()"]
    Validation --> ValidationResult["关于答案质量的推理"]

    ValidationResult --> Followup["后续阶段<br/>LLMGateway.acreate_structured_output()"]
    Followup --> FollowupQuestions["新的搜索查询"]

    FollowupQuestions --> NewRetrieval["get_triplets(followup_queries)"]
    NewRetrieval --> MergeTriplets["_merge_followup_triplets()"]
    MergeTriplets --> UpdatedContext["resolve_edges_to_text()"]
    UpdatedContext --> UpdatedCompletion["_generate_completions()"]

    UpdatedCompletion --> CoTLoop

    CoTLoop --> FinalContext["包含累积三元组的<br/>最终上下文"]
    FinalContext --> FinalCompletion["get_completion_from_context()"]

来源： cognee/modules/retrieval/graph_completion_cot_retriever.py:144-176，cognee/modules/retrieval/graph_completion_cot_retriever.py:180-210

关键组件

QueryState 管理

思维链（CoT）检索器使用 QueryState 对象来跟踪批处理中每个查询的状态。该状态包含累积的 triplets、当前的 context_text 以及最新的 completion。 来源： cognee/modules/retrieval/graph_completion_cot_retriever.py:166-168，cognee/modules/retrieval/utils/query_state.py:1-15

提示模板

检索器依赖特定的提示文件来实现验证和后续逻辑：

cot_validation_system_prompt.txt
cot_validation_user_prompt.txt
cot_followup_system_prompt.txt
cot_followup_user_prompt.txt

来源： cognee/modules/retrieval/graph_completion_cot_retriever.py:56-59，cognee/modules/retrieval/graph_completion_cot_retriever.py:90-93

---

上下文扩展检索器

概念

GraphCompletionContextExtensionRetriever 通过将生成的补全结果作为新的搜索查询，实现迭代上下文扩展。它会根据上一轮的输出检索额外的三元组，直到找不到新的三元组或达到最大轮数。

架构

flowchart TD
    Query["用户查询"] --> InitialRetrieval["get_triplets_batch(query)"]
    InitialRetrieval --> InitialContext["resolve_edges_to_text()"]
    InitialContext --> InitialState["QueryState(triplets, context)"]

    InitialState --> ExtensionLoop{"循环 context_extension_rounds 轮"}

    ExtensionLoop --> CheckDone{"所有查询已收敛？"}
    CheckDone -->|是| EarlyStop["提前停止"]
    CheckDone -->|否| GenerateCompletion["generate_completion_batch()"]

    GenerateCompletion --> CompletionAsQuery["补全文本作为新查询"]
    CompletionAsQuery --> SearchCompletion["get_triplets_batch(CompletionAsQuery)"]
    SearchCompletion --> MergeNewTriplets["QueryState.merge_triplets()"]
    MergeNewTriplets --> ResolveUpdated["resolve_edges_to_text()"]
    ResolveUpdated --> CheckConvergence["QueryState.check_convergence()"]

    CheckConvergence --> ExtensionLoop

    ExtensionLoop --> FinalTriplets["返回累积的边"]

来源： cognee/modules/retrieval/graph_completion_context_extension_retriever.py:56-98，cognee/modules/retrieval/graph_completion_context_extension_retriever.py:102-130

---

时间检索器

概念

TemporalRetriever 处理时间感知查询，通过提取时间间隔并根据时间戳过滤图元素，然后执行语义排序。

实现细节

时间提取：使用 LLMGateway.acreate_structured_output 和 QueryInterval 模型从查询中提取 starts_at 和 ends_at。
事件收集：使用 collect_time_ids 和 collect_events 根据识别的时间戳查询 unified_engine.graph。
向量重排序：对 Event_name 集合执行向量搜索，并使用 filter_top_k_events 过滤和排序事件。
回退机制：如果查询中未识别出时间戳，则回退到对实体和事件的标准 get_triplets 搜索。

来源： cognee/modules/retrieval/temporal_retriever.py:84-104，cognee/modules/retrieval/temporal_retriever.py:119-154

数据流和代码实体

下图将自然语言查询过程映射到 TemporalRetriever 中使用的具体代码实体。

flowchart LR
    subgraph NL_Space ["自然语言空间"]
        UserQuery["'上周一发生了什么？'"]
    end

    subgraph Code_Space ["代码实体空间"]
        TR["TemporalRetriever"]
        LLM["LLMGateway"]
        QI["QueryInterval 模型"]
        GE["GraphDBInterface (PostgresAdapter/Neo4jAdapter)"]
        VE["VectorDBInterface (LanceDBAdapter/PGVectorAdapter)"]
    end

    UserQuery --> TR
    TR -- "extract_time_from_query()" --> LLM
    LLM -- "结构化输出" --> QI
    QI -- "时间戳" --> GE
    GE -- "collect_events()" --> TR
    TR -- "search('Event_name')" --> VE
    VE -- "评分结果" --> TR
    TR -- "filter_top_k_events()" --> FinalContext["上下文字符串"]

来源： cognee/modules/retrieval/temporal_retriever.py:99-104，cognee/modules/retrieval/temporal_retriever.py:122-126，cognee/modules/retrieval/temporal_retriever.py:150-154，cognee/infrastructure/databases/graph/postgres/adapter.py:24-33

---

共享检索工具

高级检索器依赖共享逻辑来生成补全结果并将图元素解析为文本。

补全工具

位于 cognee/modules/retrieval/utils/completion.py 中，这些函数封装了 LLMGateway 调用：

generate_completion()：使用用户/系统提示生成单个响应。
generate_completion_batch()：使用 asyncio.gather 并行生成多个补全结果。
summarize_text()：对检索到的上下文进行摘要，以符合 Token 限制。

来源： cognee/modules/retrieval/utils/completion.py:9-38，cognee/modules/retrieval/utils/completion.py:41-64，cognee/modules/retrieval/utils/completion.py:162-181

边解析

resolve_edges_to_text() 函数将原始的 Edge 对象（三元组）转换为人类可读的字符串。 来源： cognee/modules/retrieval/graph_completion_retriever.py:138-152

会话集成

所有高级检索器都会检查会话缓存。如果启用了会话缓存，它们会使用 get_session_manager() 检索对话历史记录，并将其注入到 system_prompt 中。 来源： cognee/modules/retrieval/graph_completion_retriever.py:81-85，cognee/modules/retrieval/graph_completion_cot_retriever.py:114-127，cognee/modules/retrieval/completion_retriever.py:127-147