30 分钟:恢复地图
目标:知道 GraphRAG 至少分成文档构图、KGQA、文本图、多模态、Agentic planning、效率/鲁棒性等不同对象。
2 小时:基础方法和边界
- GraphRAG-Microsoft:社区摘要和 global sensemaking。
- HippoRAG:PPR 关联传播和多跳 passage 检索。
- LightRAG:local/global 双层索引和增量更新。
- RAPTOR:递归摘要树和多抽象层检索。
- G-Retriever:连通子图和 PCST。
- Think-on-Graph-ToG:显式路径和 beam search。
- LinearRAG:relation-free、低成本图表示。
- Do We Still Need GraphRAG:图何时值得用。
- LEGO-GraphRAG:设计空间和质量—效率—成本权衡。
- E²GraphRAG 与 QCG-RAG:比较树—图索引和 query-centric 构图。
- FRAG:模块化 KG-RAG 及其训练/推理配置。
目标:避免把“图检索”理解成单一方法,也避免把 KGQA 的答案实体召回直接等同于文档证据召回。
半天:围绕证据集合阅读
- BubbleRAG:informative subgraph。
- DOTRAG:retrieval-time path reasoning。
- STAR:path scorer、hard negative 和长尾路径。
- LiteSemRAG:无 LLM 语义图检索。
- GraphRAG中的多粒度证据最小充分集。
- GraphRAG中的最小充分集可测代理。
- HopRAG:伪查询扩展和逻辑感知多跳检索。
目标:把“找更多”转换为“找完整、互补、低冗余且足够支持回答的集合”。
一天:动态检索和规划
- Think-on-Graph-ToG → Graph-R1 → GraphRAG-R1。
- KG-R1 → CacheRAG → LogicalRAG。
- A2RAG → PRoH → NaviRAG。
- GraphRAG作为Query-Planning。
- Graph搜索的完备性与Beam-Search偏差。
新增 PDF 级精读路线(2026-11-16)
- 先看表示与索引:StructRAG → LinearRAG → E²GraphRAG。
- 再看 query-time 搜索:HopRAG → Inference-Scaled-GraphRAG → S-Path-RAG。
- 最后比较全局组织与成本:OMD-GraphRAG → Core-based-Hierarchies-GraphRAG。
阅读时分开记录任务和指标:WebQSP/CWQ 的 entity answer 指标、MultiHop-RAG 的 Relevancy/Recall/F1、global sensemaking 的 comprehensiveness/diversity judge 结果不可直接横向排名。
目标:区分动态 query state、动态图构建、显式 action、path search、query execution、RL policy 和 stopping。
与当前研究直接对齐
- 当前 GraphRAG 检索方法的形式化描述:QueryShift 的真实计算图、训练和文档 readout。
- BERDG-RAG 当前方法形式化描述:文档—实体转移 policy、beam search 和 shortest-path imitation。
- 研究报告:从节点相关性到可验证证据集合:已确认失败模式和候选研究方向。
- 研究问题与关联研究:provenance 与 proof-state 方向。
准备拓展选题
按以下顺序检查一个新想法:
- 它改变的控制对象是什么?
- 最近的工作是否已经在同一对象上解决相同缺口?
- 它改善的是候选覆盖、集合排序、证据使用、答案质量还是成本?
- 是否有固定候选、随机来源、参数匹配和 source-swap 等决定性对照?
- 最强证据和适用边界能否在实验前写清楚?