Graph Retrieval-Augmented Generation: 图结构增强的RAG系统综述
ArXiv ID: 2408.08921作者: Boci Peng, Yun Zhu, Yongchao Liu, Xiaohe Bo, Haizhou Shi, Chuntao Hong, Yan Zhang, Siliang Tang发布日期: 2024年8月15日 (最后更新: 2024年9月10日)分类: Context EngineeringGitHub: pengboci/GraphRAG-Survey
论文摘要本文是GraphRAG(Graph Retrieval-Augmented Generation)领域的首个综合性调研，系统地回顾了将图结构融入检索增强生成(RAG)系统的方法论。
传统的RAG系统主要依赖非结构化文本检索，往往难以捕捉实体间的复杂关...
GraphRAG-R1: 图检索增强生成与过程约束强化学习
GraphRAG-R1: 图检索增强生成与过程约束强化学习
ArXiv ID: 2507.23581作者: Chuanyue Yu, Kuo Zhao, Yuhan Li 等机构: Tsinghua University发表: The Web Conference 2026 (WWW’26)发布日期: 2025-07-31
摘要现有的 GraphRAG 方法在处理复杂多跳推理任务时存在局限性。GraphRAG-R1 提出了一种自适应 GraphRAG 框架，通过过程约束的基于结果的强化学习来训练 LLM，增强其多跳推理能力。框架设计了两个关键奖励机制：渐进式检索衰减 (PRA) 解决浅层检索问题，成本感知 F1(CAF) 平衡性能与开销。在域内和域外数据集上均超越 SOTA 方法。
问题背景传统 GraphRAG 的局限12345678910111213141516171819...
Towards Practical GraphRAG: 高效知识图谱构建与混合检索的大规模应用
Towards Practical GraphRAG: Efficient Knowledge Graph Construction and Hybrid Retrieval at Scale
ArXiv ID: 2507.03226作者: Congmin Min, Sahil Bansal, Joyce Pan, Abbas Keshavarzi, Rhea Mathew, Amar Viswanathan Kannan机构: Samsung Research发布日期: 2025-07-04分类: context-engineering, information-retrieval
摘要GraphRAG 在企业级环境中的部署面临着成本和可扩展性的双重挑战。本文提出了一个可扩展、成本高效的企业级 GraphRAG 框架，包含两个核心创新：一个利用依存句法分析的高效知识图谱构建管线，...
图检索增强生成综述：定制化大语言模型的图检索增强生成
图检索增强生成综述：定制化大语言模型的图检索增强生成论文概述本文是一篇关于图检索增强生成的综述性研究论文，由 Qinggang Zhang 等8位研究者共同完成。
研究目标本研究的主要目标包括：
提供图检索增强生成（Graph-based Retrieval-Augmented Generation）范式的综合性综述
识别传统平面文本检索增强生成系统的三个关键局限
系统性地分析三个关键图检索增强生成创新：图结构化知识表示、高效的图检索、结构感知的知识集成
研究背景当前挑战
性能优化：如何提升大语言模型在实际任务中的表现
效率提升：如何减少推理时间和计算资源消耗
可靠性保证：如何确保模型输出的稳定性和准确性
可扩展性：如何使方法能够应用到更多场景和任务
研究动机为了解决这些挑战，本研究提出了创新的方法和技术，旨在提升大语言模型的性能和实用性。
核心方法方法概述该综述系统性地分析了...
基于图的检索增强生成(GraphRAG)
Retrieval-Augmented Generation with Graphs (GraphRAG)
ArXiv ID: 2501.00309作者: Haoyu Han, Yu Wang, Harry Shomer, and 15 other authors发布日期: 2025-01-08
摘要检索增强生成(RAG)已成为通过整合外部知识增强大语言模型的强大范式。传统RAG系统依赖于从非结构化文本进行基于向量的检索,而GraphRAG利用图结构数据通过节点和边编码大规模异构和关系信息。本综述对GraphRAG进行了全面考察,提出了一个整体框架,定义了包括查询处理器、检索器、组织器、生成器和数据源在内的关键组件。我们系统地回顾了针对不同领域定制的技术,并讨论了图构建、检索效率和与大语言模型集成方面的挑战。通过考察医疗、金融和电子商务等专业领域的实现,我们突出了图结构在捕获复杂关...
基于图结构的检索增强生成综述
基于图结构的检索增强生成综述
ArXiv ID: 2501.00309作者: Haoyu Han, Yu Wang, Harry Shomer, Kai Guo, Jiayuan Ding…发布日期: 2024-12-31分类: context-engineering评分: 4.5/5.0
摘要检索增强生成（RAG）技术通过从外部数据源检索相关信息来增强大语言模型（LLM）的能力，使其能够提供更准确、更新的知识。本综述论文系统地研究了基于图结构数据的RAG技术（GraphRAG），提出了一个包含查询处理器、检索器、组织器、生成器和数据源五大组件的全面框架。该综述覆盖了知识图谱、文档图、科学图谱、社交图等10个不同领域的GraphRAG技术，为研究者提供了跨学科的研究视角。
📊 GraphRAG：图结构时代的检索增强生成全景图在大语言模型（LLM）快速发展的今天，如何让A...
LEGO-GraphRAG: 图检索增强生成的模块化框架与设计空间探索
LEGO-GraphRAG: 图检索增强生成的模块化框架与设计空间探索论文概述本文是一篇关于图检索增强生成的研究论文，由 Yukun Cao 等5位研究者共同完成。
研究目标本研究的主要目标包括：
引入 LEGO-GraphRAG，一个模块化框架，将图检索增强生成分解为子图提取、路径过滤和路径精炼模块
提供系统性的算法分类和每个图检索增强生成模块的神经网络模型分类
识别影响图检索增强生成有效性的关键设计因素（图耦合度、计算成本）
研究背景当前挑战
性能优化：如何提升大语言模型在实际任务中的表现
效率提升：如何减少推理时间和计算资源消耗
可靠性保证：如何确保模型输出的稳定性和准确性
可扩展性：如何使方法能够应用到更多场景和任务
研究动机为了解决这些挑战，本研究提出了创新的方法和技术，旨在提升大语言模型的性能和实用性。
核心方法方法概述该论文提出了一个模块化框架，将图检索增强生成的...
图检索增强生成综述
图检索增强生成综述
ArXiv ID: 2408.08921作者: Boci Peng, Yun Zhu, Yongchao Liu, Xiaohe Bo, Haizhou Shi…发布日期: 2024-08-15分类: context-engineering评分: 4.1/5.0
摘要本文提供了图检索增强生成（GraphRAG）方法的首个全面综述。将GraphRAG工作流形式化为三个阶段：基于图的索引（Graph-Based Indexing）、图引导检索（Graph-Guided Retrieval）和图增强生成（Graph-Enhanced Generation）。系统回顾了每个阶段的核心技术和训练方法，探讨了下游任务、应用领域和评估方法，并配套开源GitHub仓库供研究者参考。
📊 GraphRAG综述：首个系统性的图检索增强生成全景为什么需要GraphRAG？...