GGraphRAG 文献图谱自动同步
GraphRAG Literature Atlas · 研究者阅读工作台

GraphRAG 文献工作台

沿研究问题与证据缺口,快速定位论文、关联研究和研究机会。

登记论文
100
105 个来源文件
阅读进度
2 / 100
已读论文
已评分
2
已留下个人判断
待处理来源
12
PDF 59 · 摘要 29

沿问题理解 GraphRAG

七条主线,逐步展开每个瓶颈、方法回应与尚未解决的问题

进入交互研究脉络
一个共同目标GraphRAG 要在结构可能不完整、检索信息需求会变化且预算有限的知识库中,获得一组充分、互补、来源可追溯的证据,并判断图结构是否值得其成本。

箭头表示问题的逻辑递进;各条路线并行、交叉,不代表年代替代。

01图应该保留什么信息

什么结构能连接跨文档知识,同时不过度丢失语义、来源或时间条件?

文本片段彼此孤立关系抽取昂贵且可能失真二元边可能拆散联合事实从统一构图走向任务匹配
02检索器实际要找什么

成功是找到答案实体、连接问题实体的路径,还是找全支持回答的一组原始文档?

从相似文本找种子利用拓扑补关联从单图检索走向可迁移检索从实体结果回到原文文档
03搜索如何随新证据改变

系统开始时不知道中间实体;已获得的信息如何更新下一步的查询、状态、动作和停止判断?

固定查询一次性扩展多轮检索与推理查询状态由证据驱动更新搜索停止与漂移控制
04相关证据怎样组成充分集合

多篇各自相关的文档,为何合起来仍无法完整支持回答?

候选相关不等于答案所需节点/路径目标与文档目标分离支持集合存在冗余与缺项不完美图上的集合编辑
05训练信号怎样改变系统

若最终目的是回答正确并使用完整证据,应该训练构图器、检索策略、证据集合,还是检索—生成接口?

手工规则难以覆盖查询差异最终奖励难以归因到中间步骤检索与生成目标可能错位图构建策略本身也影响下游
06如何确认检索可靠且证据被使用

答案更好、路径可见或引用存在,能否证明 GraphRAG 找到了正确依据并真的支持了答案?

终端答案分数无法定位失效可解释路径不等于因果使用图可能缺失、错误或被污染基准可能只测特定整理任务
07何时使用图,收益是否值得成本

什么问题需要显式图结构?它的检索、泛化或证据收益是否超过离线构建与在线搜索代价?

GraphRAG 需要额外索引建设成本发生在多个系统阶段新领域改变证据形式与拓扑系统选择成为研究对象

全部论文

搜索标题、摘要、作者或编号;筛选状态和阅读优先级

100 篇
显示全部 100 篇论文
GFM-RAG

原始文件存在编码异常或无正文;需从原 PDF/来源恢复。

repair-neededP1待核验Q3
Rethinking Chunk Size for Long-Document Retrieval: A Multi-Dataset Analysis

这篇论文真正重要的结论不是“块越大越好”或“块越小越好”,而是:**chunk size 是数据集结构、答案局部性、文档长度、embedding 模型偏好共同决定的检索超参数**,没有可跨场景复用的统一最优值。

abstract-levelP1待核验Q2Q3Q5Q8Q9
GeAR: Graph-enhanced Agent for Retrieval-augmented Generation

GeAR 试图把任何普通 retriever 升级成 **graph-enhanced multi-hop retriever**,再用一个带 gist memory 的 agent 循环逐步改写 query、扩展证据并完成多跳检索。

abstract-levelP1待核验Q3Q4Q5Q8Q9
Reliable Graph-RAG for Codebases - AST vs LLM Knowledge Graphs

把代码库 GraphRAG 的图构建从 LLM 抽取 KG 改成确定性 AST 派生图,用 Tree-sitter 构建窄 schema、可覆盖、可复现的代码结构图,再在 query-time 做双向邻域扩展和 interface-consumer expansion。

pdf-levelP12026Q1Q2Q3Q4Q7
From Matching to Generation: A Survey on Generative Information Retrieval

这篇综述把信息检索从“对查询和文档做匹配并排序”的传统范式,扩展为“由生成模型直接产生检索对象或响应”的 GenIR 范式,并系统梳理了生成式检索与可靠响应生成两条主线。

abstract-levelP1待核验Q3Q6Q7Q8Q9
STAR - Semantic-Tuned and Tail-Adaptive Retriever for GraphRAG

STAR 用 single-tower cross-attention 让 query 和 path 做 token-level interaction,并用 hard path mining + path-weighted contrastive loss 强化难负例和长尾路径,从而同时缓解 Semantic Shortcut Bias 和 Long-Tail Path Bias。

pdf-levelP12026Q1Q2Q3Q4Q5
How Does Generative Retrieval Scale to Millions of Passages?

这篇论文检验生成式检索能否从约十万规模语料真正扩展到百万级:它在小语料上可与强双编码器竞争,但把整个语料“记入参数”后,百万级扩展仍是未解问题,不能仅靠放大模型或堆叠已有结构改造解决。

abstract-levelP1待核验Q3Q6Q8
BubbleRAG - Evidence-Driven RAG for Black-Box KGs

把 GraphRAG 检索形式化为 Optimal Informative Subgraph Retrieval,并用 semantic anchor grouping、bubble expansion、CEG ranking 和 reasoning-aware expansion 近似求解。

pdf-levelP02026Q1Q2Q3Q5Q6
PersonalAI 2.0 - Planning Graph Traversal for Personalized LLM Agents

PAI-2 把 GraphRAG 检索改造成“计划驱动的多轮图遍历”:每个 search step 先映射到图顶点,再生成多个 clue-query 控制 BeamSearch / WaterCircles 遍历,并用证据充分性判断是否增强后续计划。

pdf-levelP02026Q1Q2Q3Q4Q5
Biomedical Knowledge Graph-Optimized Prompt Generation for Large Language Models

这篇论文虽然官方标题没有直接写 `KG-RAG`,但提出的核心框架就是一个**面向生物医学的 KG-RAG**:从巨大的 SPOKE 知识图中抽取“对当前 prompt 真正有用的最小上下文”,再交给 LLM,以更少 token 获得更可靠的医学回答。

abstract-levelP1待核验Q1Q2Q3Q6Q8
LINEAR RAG: Linear Graph Retrieval Augmented Generation on Large-Scale Corpora

LinearRAG 的核心主张非常明确:**GraphRAG 不必先抽 relation 才能做多跳检索**。作者直接放弃关系抽取,构建一个只包含实体、句子、段落三层节点的 relation-free `Tri-Graph`,再通过“局部语义桥接 + 全局重要性聚合”完成单次检索下的多跳证据召回。

pdf-levelP12025Q1Q2Q3Q5Q7
Dynamic Chunking and Selection for Reading Comprehension of Ultra-Long Context in Large Language Models

这篇论文的核心不是“把 chunk 切得更灵活”这么简单,而是把 **语义边界检测** 和 **问题感知选块** 串成一个完整流程:先用句间语义差异找到更自然的切分点,再只保留对当前问题真正有帮助的 chunks,从而让基础 LLM 在超长阅读理解里更稳定地命中答案证据。

abstract-levelP1待核验Q2Q3Q5Q8Q9
TCAR-Gen - Temporal Graph Retrieval with Evidence Fusion

TCAR-Gen 用 query-conditioned context graph 缩小搜索空间,再用 temporal GNN attention、semantic-graph-time hybrid retrieval 和 Chain-of-Trees path fusion,让检索、推理和时间一致性约束共享同一张证据图。

pdf-levelP12026Q1Q2Q3Q5Q6
E2GraphRAG: Streamlining Graph-based RAG for High Efficiency and Effectiveness

这篇论文的目标不是重新发明 GraphRAG,而是把它**工程化、轻量化、可落地化**:用 `Summary Tree + Entity Graph + 双向索引` 保留全局摘要和局部实体结构的优势,再用自适应路由自动决定走 local 还是 global retrieval,从而把 GraphRAG 的成本压下来。

pdf-levelP12025Q1Q2Q3Q5Q7
PRoH - Dynamic Planning over Knowledge Hypergraphs

PRoH 用局部 KH sketch 生成初始 reasoning DAG,再在状态空间中迭代求解和重写 DAG,并用 Entity-Weighted Overlap 选择超图中的下一跳 reasoning path。

pdf-levelP12026Q2Q3Q4Q5Q6
SEM-RAG - Structure-Preserving Multimodal Graph Compilation

SEM-RAG 把电信标准先编译成可执行图原语,包括层级文本、条件表格子图和公式算子图,再用结构熵最小化构建层级索引,避免递归 LLM 聚类,并通过 JSD 对齐和轻量路由把自然语言问题映射到合适子图。

pdf-levelP12026Q1Q2Q3Q4Q6
KG-R1 - Efficient and Transferable Agentic KG-RAG

KG-R1 用一个 LLM agent 替代多模块 KG-RAG workflow,让 agent 通过 schema-agnostic 1-hop KG server 多轮查询,并用 turn reward、retrieval coverage 和 turn-level group-relative advantage 训练可迁移的 KG 交互策略。

pdf-levelP02025Q2Q3Q4Q5Q6
LightRAG: Simple and Fast Retrieval-Augmented Generation

LightRAG 用轻量实体—关系图和向量表示组织文本索引,按 local/global 两个层级生成查询关键词并扩展邻域,以较低在线 token 成本兼顾具体事实和全局主题。

pdf-levelP02025Q1Q2Q3Q6Q8
MMGraphRAG - Interpretable Multimodal Knowledge Graphs

MMGraphRAG 把图片解析成 scene graph,再用 SpecLink 在视觉实体和文本实体之间生成高质量候选对齐,最终构建 node-based MMKG,让检索可以沿跨模态图路径取证据,而不是只用 caption 或 shared embedding。

pdf-levelP12025Q1Q2Q3Q4Q6
Generative Dense Retrieval: Memory Can Be a Burden

GDR 不让生成式模型强行记住并唯一定位每篇文档,而是只生成相关**文档簇**;随后用无需参数记忆的稠密检索在簇内完成细粒度文档匹配,从而兼得生成式深度交互与稠密检索的可扩展性。

abstract-levelP1待核验Q1Q3Q5Q6Q8
Query-Centric Graph Retrieval Augmented Generation

QCG-RAG 的核心思想是:GraphRAG 不一定非要围绕“实体”建图,也不必退回“文档”建图;可以围绕 **由 chunk 生成出的 query / query-answer 意图节点** 建图,用“检索意图粒度”在表达力和成本之间取中间解。

pdf-levelP12025Q2Q3Q6Q7Q8
Query-Aware-GNN

原始文件存在编码异常或无正文;需从原 PDF/来源恢复。

repair-neededP1待核验Q10Q4Q5
A2RAG - Adaptive Agentic Graph Retrieval

A2RAG 把 GraphRAG 检索改造成“先轻量、再桥接、最后全局扩散”的渐进式 agent,并用 answer-level Triple-Check 决定是否重写和重试。

pdf-levelP12026Q1Q2Q3Q4Q5
DOTRAG - Retrieval-Time Reasoning Along Paths

DOTRAG 把 GraphRAG 检索改写为 goal-constrained path-finding,在每个 query-specific DOT 工作区内用 LLM 生成路径约束、局部向量检索候选节点、Yen shortest paths 构造候选路径,再用 LLM 判断路径是否 partial / complete。

pdf-levelP02026Q2Q3Q4Q5Q6
LogicPoison - Logical Attacks on GraphRAG

LogicPoison 用“同类型实体循环置换”重写语料,使 GraphRAG 构建出的图拓扑被隐式污染,从而破坏多跳推理链,而不改变查询和 ground truth。

pdf-levelP12026Q1Q2Q3Q4Q6
GraphRAGProv: GraphRAG Meets How-Provenance

将查询结果的 how-provenance 多项式与源文本 occurrence 连接起来,检查“图上的答案如何由哪些原文陈述组合得到”。

pdf-levelP02026Q2Q3Q4Q6Q9
NaviRAG - Active Knowledge Navigation for RAG

NaviRAG 把证据获取从 passive segment retrieval 改写成 active knowledge navigation:先把文档组织成可导航的 hierarchical Knowledge Tree,再让 LLM agent 在 query-time 先定位语义子树、再自顶向下逐步展开证据。

pdf-levelP12026Q1Q2Q3Q4Q5
GraphSteal - Structural Knowledge Stealing from GraphRAG

GraphSteal 把 GraphRAG 视为结构化 oracle,通过黑盒多轮查询,把 LLM 输出中的实体和关系解析回图,并用 BFS/DFS 式 traversal reconstruction 恢复隐藏 KG。

pdf-levelP02026Q1Q2Q3Q4Q6
Core-based Hierarchies for Efficient GraphRAG

论文把 Microsoft GraphRAG 的 Leiden 社区层次替换为确定性的 k-core 层次,并用小社区合并和 round-robin token 预算控制,目标是在 global sensemaking 中减少层次构建和摘要成本。

pdf-levelP12026Q10Q2Q3Q8Q9
GraphRAG-R1 - Process-Constrained Reinforcement Learning for GraphRAG

GraphRAG-R1 用支持 rollout-with-thinking 的 GRPO 训练 GraphRAG agent,并通过 PRA 奖励鼓励必要检索、CAF 奖励惩罚无效过度检索,再用三阶段训练避免格式、检索行为和答案质量目标互相冲突。

pdf-levelP02026Q1Q2Q3Q4Q5
XGRAG - Graph-Native Framework for Explaining KG-based RAG

XGRAG 把扰动解释从文本 token / sentence 提升到图节点和边,通过“扰动图组件 -> 重新生成答案 -> 比较语义变化”来估计每个 graph component 对答案的因果贡献。

pdf-levelP12026Q2Q3Q6Q7Q8
HyperGraphPro - Progress-Aware Hypergraph RAG

HyperGraphPro 用结构引导的 hyperedge re-score 改善检索,再用 step progress reward 和 structure progress reward 调制 GRPO advantage,让 agent 在训练中获得“这一步是否让推理更接近答案、是否沿图结构连续前进”的稠密反馈。

pdf-levelP02026Q2Q3Q4Q5Q6
CacheRAG - Semantic Caching for KGQA

CacheRAG 把 KGQA planner 从 stateless prompt 变成带语义计划缓存的 continual learner,用 ISR 解耦用户语言和物理 schema,用 Domain -> Aspect + MMR 取多样历史计划,再用有界图算子补全不足证据。

pdf-levelP12026Q1Q2Q3Q4Q5
CS-RAG - Robust GraphRAG over Imperfect KGs

CS-RAG 不试图先把 KG 修到完美,而是在检索时把问题拆成可执行原子约束,并用 Neff 判断每一跳的结构候选是否足够集中;集中则传播变量,不集中则转入文本恢复。

pdf-levelP12026Q2Q3Q4Q5Q6Q7Q8Q9
ChatP&ID - GraphRAG for Engineering Diagrams

ChatP&ID 把 P&ID 从视觉图像转换为 DEXPI 驱动的 flowsheet knowledge graph,再让 LLM agent 按 query 类型选择 ContextRAG、VectorRAG、PathRAG 或 CypherRAG,从而在精确性、成本和可解释工具轨迹之间折中。

pdf-levelP12026Q1Q2Q3Q4Q6
Graph Retrieval-Augmented Generation: A Survey

以 Graph-Based Indexing、Graph-Guided Retrieval、Graph-Enhanced Generation 三阶段组织 GraphRAG 方法、训练、下游任务和评测,是现有知识库的综述入口。

abstract-levelP02025Q2Q3Q6Q8Q9
CFT-RAG: An Entity Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter

CFT-RAG 关注的不是“怎样让 Tree-RAG 更会推理”,而是“**怎样让 Tree-RAG 在大规模实体树上查得足够快**”。它把改进版 Cuckoo Filter 直接嵌入实体树检索流程,用 `fingerprint + block linked list + temperature sorting` 把实体定位从树遍历变成近似 `O(1)` 的桶查找。

abstract-levelP1待核验Q1Q2Q3Q4Q8
MemGraphRAG - Memory-based Multi-Agent GraphRAG

MemGraphRAG 把图构建改成由三层 Global Memory 支撑的多智能体协作过程,让抽取结果先进入共享记忆,再经过 schema 稳定、冲突裁决和跨层投影,最终形成可检索的层次图。

pdf-levelP12026Q1Q2Q3Q4Q6
GNN-RAG

原始文件存在编码异常或无正文;需从原 PDF/来源恢复。

repair-neededP1待核验Q3
GRAG: Graph Retrieval-Augmented Generation

GRAG 关注的是 **textual graphs**,不是传统知识图谱。它把 RAG 从“检索独立文档”推进到“检索文本子图”,再同时把文本视图和图视图送入 LLM,让模型既看到内容,也看到拓扑关系。

abstract-levelP1待核验Q10Q3Q6Q8
研究报告:从节点相关性到可验证证据集合

Provenance-conditioned Proof-State Retrieval:让实体状态、关系路径和文档来源在同一个查询条件化的“证明状态”中联合演化,而不是先算实体分数、再独立聚合文档。

abstract-levelP1待核验Q2Q3Q4Q5Q6Q7
Subgraph Reconstruction Attacks on Graph RAG Deployments

本文把 GraphRAG 结构泄露形式化为 targeted one-hop subgraph reconstruction,并证明在 safe prompt 已启用的部署中,攻击与防御的关键不只是“能否拒绝敏感请求”,而是 relation table 的实例边界、字段归属和多轮新关系收益。

pdf-levelP02026Q2Q3Q4Q5Q6
LiteSemRAG - Lightweight LLM-Free Semantic-Aware Graph Retrieval

LiteSemRAG 用 token-level contextual embeddings 构建 document / chunk / semantic / token 四层异构语义图,并通过 co-occurrence graph semantic retrieval + isolated semantic recovery 实现完全无 LLM 的语义感知图检索。

pdf-levelP02026Q2Q3Q4Q5Q6
Do We Still Need GraphRAG - Agentic Search Benchmark

提出 RAGSearch,把 dense RAG 和多类 GraphRAG 都作为 agentic search 的 interchangeable retrieval backend,在统一 agent 控制协议下比较显式图结构与隐式交互结构的价值。

pdf-levelP12026Q1Q2Q3Q4Q5

问题如何推动研究演进

各路线并行存在;阶段变化表示关注点扩展,而非替代

完整研究脉络
2024—2025连接分散的信息用社区、实体关联、层次摘要、连通子图和在线路径组织跨片段信息
2025—2026选择值得构建的结构轻量实体图、层次结构与超图分别优化成本和表达;查询时接口开始尝试跨构图迁移
2025—2026学习可迁移的图检索学习查询条件化传播与可复用的图检索能力
2025—2026让检索随中间状态变化多轮规划、动态扩展、强化学习与查询时结构适应;按问题生成有界探索策略
2026 相关方向从相关节点走向证据集合路径约束、连通子图、多锚点覆盖、来源 occurrence 和桥接排序
2026 相关方向检查成本与适用边界路由、预算分配、可删除索引、野外语料和多模态拓扑评测
持续并行在不完美结构上保持可靠置信度控制、来源解释、攻击测试与结构恢复研究

研究地图

从领域概览、演进、比较到研究实验

按研究问题浏览

选择问题聚焦论文,再进入专题阅读关联研究

问题演进地图

自动发现的新研究候选

候选来自文献发现流程,查看前先保留“待一手核验”状态

候选与更新流程

证据边界

先确认来源等级,再把论文用于研究判断

PDF 级代表已有 PDF 阅读笔记,不代表所有书目和 claim 都已由一手来源复核。摘要级只支持初步定位。待修复内容不用于总结论文方法或结果。地图中的演进关系是基于现有材料的综合归纳。