Przejdź do treści

Praktyczne zastosowania

Proxy-Pointer RAG: jak nie utonąć w gąszczu relacji

Zaktualizowano: Autor: Andrzej Niemiec7 min czytania

Proxy-Pointer RAG łączy wyszukiwanie wektorowe ze strukturą dokumentu. Wyjaśniamy mechanizm, wyniki benchmarku 66 pytań i ograniczenia metody.

Proxy-Pointer RAG: jak nie utonąć w gąszczu relacji
Spis treści
  1. Czym jest Proxy-Pointer RAG?
  2. Dlaczego zwykłe chunkowanie gubi relacje?
  3. Jak wypadają testy na dokumentach finansowych?
  4. Czy ta architektura sprawdzi się w banku?
  5. Jakie są ograniczenia metody?
  6. Jak zacząć sprawdzenie w swojej organizacji?
  7. Najczęstsze pytania
  8. Źródła

Czym jest Proxy-Pointer RAG?

Proxy-Pointer RAG to architektura wyszukiwania informacji autorstwa Parthy Sarkara, udostępniona publicznie na licencji MIT [1][2]. Nie jest klasycznym systemem graph RAG i nie rezygnuje z wyszukiwania wektorowego: korzysta z podobieństwa wektorów, ale trafione fragmenty traktuje jako wskaźniki do pełnych, strukturalnie spójnych sekcji dokumentu [1].

Nazwa opisuje dwa etapy pracy. Warstwa proxy wskazuje miejsce w dokumencie, które warto otworzyć. Warstwa pointer wczytuje wybraną sekcję w całości, razem z nagłówkiem i kontekstem. Model dostaje dzięki temu mniej fragmentów, ale każdy z nich jest kompletny.

Repozytorium projektu opisuje trzy warianty: tekstowy, multimodalny oraz narzędzie do porównywania dokumentów [2]. To odróżnia je od wielu demonstracji RAG, które kończą się na jednym skrypcie bez zaplecza testowego.

Dlaczego zwykłe chunkowanie gubi relacje?

Zwykłe chunkowanie dzieli dokument po liczbie znaków, a nie po granicach sekcji. Raport, umowa albo dokumentacja tracą wtedy hierarchię i model nie widzi, do czego odnosi się dany akapit. Architektura ma temu zapobiegać przez zachowanie struktury dokumentu [3].

Mechanizm składa się z pięciu elementów: drzewa nagłówków, wstrzykiwania breadcrumbs, chunkowania w granicach sekcji, filtrowania szumu oraz ładowania pełnej sekcji przez metadane wskaźnika [4]. Każdy z nich odpowiada za inny rodzaj kontekstu, którego zwykły podział tekstu nie przenosi.

Drugi wątek projektu dotyczy ekstrakcji encji i relacji w systemach GraphRAG. Struktura dokumentu służy tam jako filtr tego, co w ogóle warto wyodrębniać, co ogranicza pracę modelu nad fragmentami bez wartości [4]. Warstwa lokalizacji semantycznej działa więc przed kosztownym etapem budowy grafu [3].

Jak wypadają testy na dokumentach finansowych?

Benchmark obejmował 66 pytań dotyczących czterech raportów rocznych 10-K: AMD, American Express, Boeinga i PepsiCo [5]. Przy pięciu fragmentach w kontekście autor raportował 66 poprawnych odpowiedzi na 66 pytań, a przy trzech fragmentach 93,9% [5]. Wynik jest wysoki, ale próba jest mała i pochodzi z zestawu przygotowanego na potrzeby projektu.

KryteriumWariant tekstowyWariant multimodalnyNarzędzie porównywania dokumentów
Jednostka kontekstusekcja dokumentu tekstowegosekcja z tekstem i obrazamizestawienie treści dwóch dokumentów
Rola strukturydrzewo nagłówków i breadcrumbs [4]ta sama logika wskazywania sekcji [2]wskazywanie różnic w układzie i treści [2]
Źródło opisurepozytorium projektu [2]repozytorium projektu [2]repozytorium projektu [2]

Czy ta architektura sprawdzi się w banku?

Bankowość jest naturalnym kierunkiem testów, bo pracuje na długich dokumentach i gęstych relacjach. Nie ma jednak potwierdzenia, że Proxy-Pointer RAG działa w którymkolwiek polskim banku. Materiały projektu dotyczą raportów finansowych firm amerykańskich oraz dokumentów kredytowych, a nie wdrożeń bankowych [5].

Skala PKO Banku Polskiego pokazuje, o jakim wolumenie danych mówimy. Na koniec 2025 r. grupa raportowała prawie 12,5 mln klientów oraz ponad 8,7 mln aktywnych aplikacji IKO [6]. W 2024 r. boty przeprowadziły w banku prawie 25 mln rozmów [7]. Dla porównania raport za 2023 r. wskazywał 11,9 mln klientów, a za 2024 r. ponad 12,1 mln [8][7].

PKO rozwija własne inicjatywy AI: szukAI, Copilot Chat, analizę dokumentów OCR i GenAI, platformy MLOps oraz LLMOps, modele językowe dla polskiego i analizę grafów relacji biznesowych [6][9]. To osobne, udokumentowane projekty. Nie należy ich łączyć z Proxy-Pointer RAG.

Źródła nie potwierdzają też średnich typu 12 produktów, 4 kontakty i 3 oferty na klienta. Takie liczby nie mają źródła pierwotnego, definicji ani daty pomiaru, więc nie opisują realnych statystyk banku.

Jakie są ograniczenia metody?

Największym ograniczeniem jest skala dowodu. Benchmark obejmował cztery firmy i 66 pytań, a nie ruch produkcyjny [5]. Wynik 100% przy k=5 nie mówi, jak architektura zachowa się na dziesiątkach tysięcy zapytań dziennie.

Drugie ograniczenie to zależność od jakości struktury dokumentu. Jeśli plik nie ma sensownych nagłówków, warstwa proxy nie ma czego wskazywać. Metoda zakłada też, że dokument da się podzielić na spójne sekcje.

Trzecie ograniczenie dotyczy porównania z graph RAG. Zespół SII opisuje własny eksperyment i wnioski, że prostota oraz zrozumienie danych mogą być skuteczniejsze niż rozbudowa grafu [10]. Niezależne przeglądy wskazują też siedem typowych punktów porażki RAG i sposoby ich oceny [11]. Wybór architektury powinien więc wynikać z testu na własnych danych, a nie z jednego wyniku benchmarku.

Osobny wątek to rozumowanie temporalne. Opis porównujący Proxy-Pointer z podejściem LLM-Wiki pokazuje, że pytania o czas i kolejność zdarzeń wymagają innego przygotowania danych niż pytania o fakty [12].

Jak zacząć sprawdzenie w swojej organizacji?

Polecamy zacząć od pytań, nie od narzędzi. Zbierz 50 do 100 realnych pytań, na które odpowiedzi mają znać pracownicy lub klienci. Następnie sprawdź, ile z nich wymaga informacji rozproszonej w kilku sekcjach dokumentu. Tam struktura ma największe znaczenie.

Kolejny krok to audyt dokumentów. Oceń, czy pliki mają spójne nagłówki i czy da się je dzielić po sekcjach. Jeśli nie, najpierw uporządkuj konwersję i formatowanie.

Trzeci krok to porównanie na tym samym zestawie pytań. Zmierz poprawność odpowiedzi, liczbę fragmentów w kontekście i koszt wywołań. Proxy-Pointer RAG testuj jako jeden z wariantów obok obecnego pipeline'u, nie jako z góry przyjęte rozwiązanie.

Szerszy kontekst przejścia od pilotażu do produkcji opisujemy w artykule Praktyczne zastosowania AI. Jeśli interesują Cię same benchmarki modeli, zobacz tekst o benchmarkach AI i OpenClaw.

Najczęstsze pytania

Czy Proxy-Pointer RAG to to samo co graph RAG?

Nie. Graph RAG buduje graf encji i relacji, a Proxy-Pointer RAG zostaje przy wyszukiwaniu wektorowym. Różnica polega na tym, że trafiony fragment jest tylko wskaźnikiem do pełnej sekcji dokumentu, a nie samodzielną odpowiedzią [1][3]. Struktura dokumentu zastępuje więc część pracy, którą w graph RAG wykonuje ekstrakcja relacji.

Ile dokumentów potrzeba, żeby metoda zadziałała?

Nie ma potwierdzonego progu. Benchmark opierał się na czterech raportach 10-K i 66 pytaniach [5]. Metoda ma sens wszędzie tam, gdzie dokumenty mają wyraźną strukturę sekcji, niezależnie od ich liczby. Przy krótkich notatkach bez nagłówków korzyść będzie mała.

Czy projekt jest darmowy?

Repozytorium jest dostępne na licencji MIT, a sam kod można uruchomić lokalnie [2]. Koszty pojawiają się po stronie modelu i infrastruktury, którą trzeba utrzymać. Materiały zapowiadające projekt mówią o konfiguracji zajmującej około pięciu minut [5].

Gdzie sprawdzi się najlepiej?

W długich dokumentach, które mają strukturę: raportach finansowych, umowach, dokumentacji technicznej i regulaminach [4]. W takich plikach utrata kontekstu przy chunkowaniu jest najbardziej kosztowna. Przy prostym wyszukiwaniu po identyfikatorze korzyść jest znikoma.

Źródła

  1. Proxy-Pointer RAG: Achieving Vectorless Accuracy at Vector RAG Scale and Cost (Towards Data Science, 2026)
  2. Proxy-Pointer RAG — repozytorium projektu (GitHub, 2026)
  3. Proxy-Pointer RAG: Solving Entity and Relationship Sprawl in Large Knowledge Graphs (Towards Data Science, 2026)
  4. Proxy-Pointer RAG: Eliminating Wasteful Entity & Relations Extraction in Knowledge Graphs (Towards Data Science, 2026)
  5. Proxy-Pointer RAG: Structure Meets Scale at 100% Accuracy with Smarter Retrieval (Towards Data Science, 2026)
  6. The PKO Bank Polski S.A. Group Director's Report for 2025 (PKO BP, 2026)
  7. Financial results 2024 — 2024 Solid result, ready (PKO BP, 2025)
  8. Business description — Annual Report PKO BP 2023 (PKO BP, 2024)
  9. PKO Bank Polski S.A. Group — the #1 bank in Poland (PKO BP, 2026)
  10. Jak pokonać graph RAG-a: praktyczne zastosowanie (SII, 2026)
  11. Jak zbudować niezawodny RAG: wprowadzenie do 7 punktów porażki (Unite.AI, 2026)
  12. Proxy-Pointer RAG: Temporal Reasoning Without Semantic Precompilation (Towards Data Science, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji