资讯
GraMRAG：图增强检索增强生成，缓解长文推理失真
一句话：9 月 14 日，arXiv 论文《GraMRAG》提出以图结构增强检索增强生成：把文档与证据组织为可推理的图，在检索与生成之间引入图遍历与关系约束，缓解长文档 RAG 的失真与遗漏。
背景
- 传统 RAG 多为「切块-向量检索-拼接」的扁平流程，面对长文档与跨段落证据时易丢失结构关系，导致幻觉与遗漏；图结构可显式保留实体与关系。
核心要点
- 以图表示文档：节点为片段/实体，边为引用、因果与归属关系。
- 图遍历检索：按关系路径召回相关子图，而非孤立 chunk。
- 生成约束：将图关系作为证据边界，抑制无依据推断。
- 在长文问答与多跳推理基准上优于扁平 RAG 基线。
为什么重要
- 把「结构」重新引入 RAG，是长文档可靠问答的一条实用路线，对合规、科研与法律检索价值显著。
- 图增强思路与多 agent 图学习（MAAGL）相互呼应，构成「结构化检索+结构化推理」趋势。
关键事实速记
- 论文：arXiv 2609.14066（2026-09-14）
- 方法：Graph-augmented RAG
- 机制：子图遍历 + 关系约束
- 优势：长文 / 多跳推理
📂 原文链接：查看原文 →
← 返回资讯列表
AI8899 · 内容仅供学习参考