CausalRAG - 因果图驱动的检索增强生成

1. 解决的问题

用户反馈"机器转了两圈突然停下并闪红灯"，传统 FAQ 机器人把所有带"红灯"的内容（充电时亮红灯/故障码等）全部返回，答非所问，最终用户申请退货

2. 核心算法逻辑

传统 RAG 和 GraphRAG 的召回逻辑都基于"语义相似度"，本质是在问「谁和我长得像？」而非「谁是我的根因？」。当用户问"为什么机器突然停了"时，向量检索会把所有提到"停机"的文本块全部塞给大模型，因果关系被肢解在各个文本块中，幻觉无法避免。

3. 业务应用场景

业务问题： 用户反馈"机器转了两圈突然停下并闪红灯"，传统 FAQ 机器人把所有带"红灯"的内容（充电时亮红灯/故障码等）全部返回，答非所问，最终用户申请退货。每月此类高级故障人工介入客服成本超 20 万元。

数据要求： - 产品维修手册（PDF/TXT）：含因果表达的故障描述文档 - 历史工单数据库：工程师标注的「故障现象 → 根因 → 解决方案」记录（格式：jsonl/csv） - 结构：`{"doc_id": "ticket_001", "content": "底盘传感器积灰导致误判悬崖，引起停机闪红灯"}`

预期产出： - 因果图谱：32+ 节点，16+ 有向因果边（覆盖常见故障模式） - 自动排障指引：根因溯源链 `[传感器积灰] → [误判悬崖] → [停止运行] → [闪红灯]`，给出「请清洁底盘传感器」的精准建议 - 排障准确率提升：相比语义检索，在归因类问题上 Answer Faithfulness 提升 30-40%

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ACL 2025 论文实验：CausalRAG 在归因类问答上 Answer Faithfulness 提升 35%、Context Precision 提升 28%（相比 GraphRAG baseline）
• 行业数据：售后诊断准确率提升 30% 对应退货率下降约 15-20%（3C 品类）
• 每月 200 件高级故障退货 × 200 美元/件 × 12 个月 = 年损 48 万美元，压降 15% = 约 120 万元
• 算法实现：中等（BFS + 正则抽取，无需 GPU，纯 Python 可运行）
• 数据准备：重点难点，需要语料中存在因果表达句式；历史工单质量高低直接决定图谱质量
• 集成成本：低，`CausalRAG.generate_context()` 直接输出 LLM Prompt 可用的字符串

7. 代码模板

代码块数量：3 · 路径：未检测到

"""
CausalRAG 核心使用示例
场景：扫地机器人售后排障
"""

from model import CausalRAG, build_demo_robot_vacuum_corpus

# Step 1: 准备语料（维修手册 + 历史工单）
corpus = [
    {
        "doc_id": "manual_001",
        "content": "底盘传感器积灰导致误判悬崖，从而停止运行，因此出现闪红灯报警。",
    },
    {
        "doc_id": "ticket_001",
        "content": "底盘积灰造成传感器遮挡，引起悬崖误判，从而停止运行。",
    },
    # ... 更多文档
]

# Step 2: 构建因果图（离线一次性构建）
rag = CausalRAG()
graph = rag.build_causal_graph(corpus)
stats = rag.get_graph_stats()
print(f"因果图: {stats['nodes']} 节点, {stats['edges']} 边")

# Step 3: 用户查询 → 因果路径追踪
user_query = "机器转了两圈突然停下并闪红灯"
chains = rag.retrieve(user_query, top_k=3)

for chain in chains:
    print(f"\n因果链（置信度 {chain.chain_confidence:.1%}）:")
    for step in chain.chain:
        print(f"  [{step.step_type}] {step.description}")

# Step 4: 生成 LLM 上下文
context = rag.generate_context(user_query)
# 将 context 拼入 LLM Prompt，实现因果增强问答
# answer = llm.chat(f"基于以下因果分析回答问题：\n{context}\n\n问题：{user_query}")
print(context)

8. 论文来源

• 2503.19878