30 分钟:恢复地图

  1. 文献总入口
  2. GraphRAG领域地图
  3. 研究问题与关联研究
  4. GraphRAG研究脉络阅读报告

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

  1. GraphRAG-Microsoft:社区摘要和 global sensemaking。
  2. HippoRAG:PPR 关联传播和多跳 passage 检索。
  3. LightRAG:local/global 双层索引和增量更新。
  4. RAPTOR:递归摘要树和多抽象层检索。
  5. G-Retriever:连通子图和 PCST。
  6. Think-on-Graph-ToG:显式路径和 beam search。
  7. LinearRAG:relation-free、低成本图表示。
  8. Do We Still Need GraphRAG:图何时值得用。
  9. LEGO-GraphRAG:设计空间和质量—效率—成本权衡。
  10. E²GraphRAG 与 QCG-RAG:比较树—图索引和 query-centric 构图。
  11. 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

  1. BubbleRAG:informative subgraph。
  2. DOTRAG:retrieval-time path reasoning。
  3. STAR:path scorer、hard negative 和长尾路径。
  4. LiteSemRAG:无 LLM 语义图检索。
  5. GraphRAG中的多粒度证据最小充分集。
  6. GraphRAG中的最小充分集可测代理。
  7. 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

  1. Think-on-Graph-ToG → Graph-R1 → GraphRAG-R1。
  2. KG-R1 → CacheRAG → LogicalRAG。
  3. A2RAG → PRoH → NaviRAG。
  4. GraphRAG作为Query-Planning。
  5. Graph搜索的完备性与Beam-Search偏差。

新增 PDF 级精读路线(2026-11-16)

  1. 先看表示与索引:StructRAG → LinearRAG → E²GraphRAG。
  2. 再看 query-time 搜索:HopRAG → Inference-Scaled-GraphRAG → S-Path-RAG。
  3. 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

  1. 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。
  2. BERDG-RAG 当前方法形式化描述:文档—实体转移 policy、beam search 和 shortest-path imitation。
  3. 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。
  4. 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:

  1. 它改变的控制对象是什么?
  2. 最近的工作是否已经在同一对象上解决相同缺口?
  3. 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?
  4. 是否有固定候选、随机来源、参数匹配和 source-swap 等决定性对照?
  5. 最强证据和适用边界能否在实验前写清楚?