一句话定义
RAPTOR（Recursive Abstractive Processing for Tree-Organized Retrieval，递归摘要树检索）是一种面向长文档的AI 词典：检索增强生成">检索增强生成（RAG，Retrieval-Augmented Generation）索引方式：把文档切成小块，让相似的块聚成一簇、由大模型写出摘要，摘要再往上聚类再摘要，层层递归长成一棵树；检索时在树的多个层级上同时找答案。
为什么非要"往上长一层"
先说平铺切片的软肋。一份两百页的行业年报，你问"这份报告认为未来三年最大的三个风险是什么"。答案可能散在第 12 页、第 87 页、第 150 页，但单独拎出任何一段都不像答案。向量检索只按"和问题的字面相似度"挑 top-k，很容易捞回一堆恰好出现"风险"二字的零散段落，主线反而漏掉。切片检索擅长"找点"，不擅长"看面"。
RAPTOR 的做法是：每一层的节点都是对下层内容的一次浓缩。叶子是原文块，中间层是"某几十个块的共同主题"，根节点就是整篇文档的一句话概括。全局性问题天然和这些摘要节点更"像"，匹配得上。
打个图书馆的比方：平铺切片相当于把书撕成单页堆在地上，你只能一页页比对关键词；RAPTOR 相当于保留"目录—章摘要—节摘要—正文"这套层级，问"这本书讲什么"时直接翻目录。也可以理解成地图缩放——要全国视角还是街道视角，由问题自己决定。
和相邻做法的区别
| 做法 | 结构 | 擅长的问题 | 代价 |
|---|---|---|---|
| 平铺切片 RAG | 单层，固定长度块 | 找具体事实、条款、代码 | 便宜快；全局问题答不全 |
| 父子文档检索 | 两层：小块命中、大块回填 | 命中要准、上下文要够 | 依赖文档天然层级 |
| 摘要索引 | 单层摘要 | 粗粒度主题问答 | 粒度写死，细节丢失 |
| RAPTOR | 多层递归聚类摘要树 | 综述型、主题型、跨章节归纳 | 建索引要跑大量摘要调用，更新贵 |
| 长上下文窗口 | 不建索引，整篇塞进去 | 中小文档 | 贵、慢，还容易"中间迷失" |
关键差异在两点：一是树是自动长出来的，不依赖作者原来有没有写小标题；二是检索可以发生在任意层，细节问叶子，全局问上层。
对从业者的实际意义
判断要不要上 RAPTOR，就问一句：用户的提问是"去找某个点"，还是"帮我总结这件事"？前者用平铺切片加重排就够了，后者才值得建树。
落地时有几个现实问题：建立索引阶段要发起很多次摘要调用，时间和费用都远高于普通切片，文档一改还得重建受影响的分支；聚类质量差会一路污染到根节点的摘要。常见做法是混合检索——叶子层负责细节，摘要层负责全局，一起召回再统一重排。具体实现和参数以官方页面为准。