CorpusMap用实体页导航，搜索质量最高升11.7分

Follow the Entities: A Corpus Map for Agentic Search

Soyeong Jeong, Sujay Kumar Jauhar, Sung Ju Hwang, Andrew Joohun Nam

cs.CL, cs.AI, cs.IR, cs.LG

2026-09-29

CorpusMap离线建实体页供Agent取证，7模型3基准质量高6.4-11.7分，token少34%-57%

这篇在解决什么

企业里回答一个问题，证据经常拆在不同系统：审批在邮件，需求在运营文档，最新状态在进度报告。单篇都不够，关系也很少写在任何一处。这些材料还埋在工单、网盘、聊天里的大量文件中间。

RAG 按问题取 top-k 再生成。多跳任务上，agentic search 让模型用工具在全库里多步搜和读。语料仍是扁平文件。找到一篇相关文档，并不会提示还有哪些文档在说同一个项目。会议纪要用内部代号、查询用正式名，按问题文本搜索就会漏。每条查询还要重新摸这些关系。关系其实是稳的：哪些文档提到同一个项目、同一个人，可以离线算好、跨查询复用。

方法

CorpusMap 是 KAIST 与微软加在语料上的实体中心导航层。它建成一张二分图：一边是至少出现在两篇文档里的实体，一边是文档，边表示「这篇提到了这个实体」。一篇文档可以挂在多个实体下；没挂上的文档仍可用原来的搜索碰到。

每个实体做成一页 Entity Page，相当于这个对象的档案卡：概述、带出处的关键事实、各处用过的名字、以及全部相关文档路径。原文档保留，页面只提供跳转。

离线四步：

Cataloging：从抽样文档归纳这个库里有哪些实体类型（项目、事故、配置开关等），写出定义和身份标准后冻结。类型随语料变，没法预先穷举。
Extraction：按目录在每篇里识别并分类型，同一篇内的共指先合并。
Resolution：对着从空开始的全局 registry 决定接到已有实体、新建，或放弃。未消歧的不建边。
Rendering：只留下跨文档实体，渲染成页面。

后三步可以换成开源 GLinker 加确定性模板，不调用 LLM。

查询时页面就是普通文件，agent 继续用 ls、grep、cat。系统先用 BM25 找出相关实体页，再把这些页链出的文档路径当作候选交给 agent（只给标题和路径）。EnterpriseRAG-Bench 上 GPT-5.5 默认给链出文档时质量 76.60、88.1k token；去掉候选后质量仍有 69.04，token 升到 496.4k。再加实体之间的直接边，document recall 只在 -2.6 到 +0.2 之间变化，页面却变长 27% 到 52%。

结果

三个基准都筛了多文档题：EnterpriseRAG-Bench 80 题、2819 篇；WixQA 79 题、6221 篇；HERB 238 题、6365 篇。主实验用 GPT-5.5 和 GPT-5.6 的 Luna、Terra、Sol，同一模型既构建导航层又答题。对照是裸语料搜索，以及 Document Page、Group Page、LLM Wiki、Corpus2Skill 四种别的组织方式。这四种相对裸搜索没有稳定增益。

整体质量是三套质量指标的等权平均；相对 token 是各基准输入量相对 Raw Corpus 的几何平均。

方法	GPT-5.5 质量 / token	Luna	Terra	Sol
Raw Corpus	66.11 / 1.00×	53.85 / 1.00×	65.75 / 1.00×	67.69 / 1.00×
LLM Wiki	64.49 / 0.63×	54.39 / 1.16×	58.71 / 1.04×	65.15 / 0.48×
Corpus2Skill	45.49 / 0.31×	37.27 / 0.72×	43.86 / 0.66×	44.44 / 0.67×
CorpusMap	72.55 / 0.43×	65.58 / 0.65×	72.51 / 0.66×	74.68 / 0.43×
Gold Documents	79.62 / 0.02×	80.00 / 0.04×	79.90 / 0.03×	79.69 / 0.03×

相对 Raw Corpus，CorpusMap 高 6.45 到 11.74 分（配对 bootstrap，Holm 校正后 p < 10^{-4}），token 少 34% 到 57%。GPT-5.5 在 EnterpriseRAG-Bench 上 document recall 从 61.62 升到 76.17，正确率从 62.08 升到 73.75。只给金标文档的 Oracle 仍高出约 7 分。Corpus2Skill 往往最省 token，质量也最差，主题树把文档压进少数分支，该找到的簇经常没被打开。

DeepSeek-V4-Pro 上是 71.11 对 Raw 的 68.02。MAI-Thinking-1 上是 45.07 对 34.06，但这组 token 从 129.6k 升到 158.8k。单步检索在 GPT-5.5 的 EnterpriseRAG-Bench 上，BM25 63.66、dense 65.05、HippoRAG 64.66、GraphRAG 47.95，CorpusMap 76.60。Luna 建图成本不超过 74.65 美元，拿到 GPT-5.5 上答题，质量从 65.60 升到 73.59。把构建费摊进每次查询后，大约每库 9.0K 次（GPT-5.5）到 26.3K 次（Luna）打平裸搜索。增量更新相对全量重建可省 34% 到 71% 的构建 token。该基准上其余以单文档为主的题，GPT-5.5 正确率从 89.05 到 94.76，token 从 250.7k 到 171.7k。Qwen3.8-27B 配 GLinker 建的图，在 2.8k、10k、20k 篇规模上都高于 Raw，并且更省 token。

为什么重要

这篇改的是语料怎么被组织，不是再训一套搜索策略。工单、邮件、wiki、聊天里同一项目和同一人反复出现时，离线消歧一次、查询沿着链接走，比让 agent 每次自己发现关系更接近能落地的企业搜索。一篇文档可以同时出现在多条实体路径上。案例里 Corpus2Skill 把两份 spec 放进同一个它没打开的簇，最后说找不到文档；CorpusMap 从工单项进草稿，再搜到 Serving Runtime 页接到 v1。

GLinker 说明构建可以不烧 LLM。便宜模型建图、贵模型答题也成立。这是渐进改进：Oracle 还有缺口，构建有一次性账单，查询不够密就回不了本。

局限与存疑

论文没有单独的局限节。伦理声明写了：把一个人或一个项目的信息收进单页，可能把原本分散的隐私聚到一起，也可能让没有权限的人看到不该看的文档。落地需要按权限分层建图，并加过滤。

扩容实验停在约两万篇 distractor，和引言里跨应用、数十万文档的场景差一截。主表里建图模型和答题模型经常是同一个，自己写的页面自己读；跨模型复用实验拆开了一部分。MAI 上更准但不更省，「平均少花 token」不能理解成每个模型都省。省 token 还绑着 BM25 候选路径：只给图、不给候选，agent 会把图逛得很贵。答案质量默认由 GPT-5.6 Sol 打分，换 DeepSeek 重评后正确率等项排序仍一致，WixQA 的 context recall 上 Kendall 的 τ 只有 0.47。

术语

Entity Page: 每个跨文档实体的档案卡，汇总带出处事实并链到源文档。
entity resolution: 判断不同文档里的提及是不是同一个对象，写入同一条 registry。
agentic search: 模型多步调用搜索和读文件工具，在全库找证据，不限于第一轮 top-k。
document recall: 金标文档中有多少被 agent 放进支持集。
Corpus2Skill: 对照方法，把语料收成按主题分支走的技能树。

原文与代码

社区讨论

CorpusMap 论文：用实体图谱帮 Agent 免于每次查询重新搜索语料 _reachsumit