看这个描述，并不存在一个在所有community summary搜索的过程，而是直接把每个community的summary都拿来生成答案（长的summary打碎了，每个chunk生成一次）。然后对每个community进行评分，评分也是LLM做的。然后取最高评分的summary，再放在一起生成最后的答案。

当leaf level community的summary到达window上限的时候，在上一层聚合，变成高层的宇宙。

在一个leaf level的community里，也就是一个leaf自己的宇宙，包含了哪些和他有关系的边，还有相关的node，还有source node target。根据这些元素的优先级（degree，combined source）把它们的内容加到LLM里去，不断地iteratively 加--》summary。

这个步骤是根据graph的结构进行coummunity的划分，类似于根据人物关系进行社区划分。有很多现有的graph 方法可以使用。

这部分，说用LLM来抽取各个entity之间的关系，用来创建KG。 因为每次LLM的输出没有导向，即LLM抽取的时候不知道已经有node存在了，所以很有可能抽出重复的node，甚至是重复的关系，而含义比较接近。 这篇文章，在这里，自圆其说，说他们后面是一下子搜索出一团node的，所以反而这种Noisy的KG更加能perform better。对比于typical的KG，这种Noisy KG好像更适配LLM。

--》这里持保留意见。KG的优点不就是strcutured吗？如果这里不利用这个特质，做到去重，那不久只是引用了KG的文件结构，而非它的优点了嘛？

这部分是在说怎么从dataset的chunks里抽取entity，由此创建knowledge graph的，但是感觉有很多tricky和practical的过程，描述地也不是很清晰。