本页把当前知识库中的论文卡片、研究报告和理论入口压缩成“现状—共识—分歧—缺口”四层。它是研究导航,不替代逐篇论文核验;每个数字和具体 claim 应回到对应来源卡片。

当前状态

GraphRAG 的研究对象已经从静态图索引扩展为一个查询时证据系统。当前工作大致围绕五个控制对象展开:

  1. 结构表示:实体—文档二部图、关系图、层级图、超图、文本图和多模态图。
  2. 检索对象:节点、文档、路径、候选子图或最小充分证据集合。
  3. 查询策略:传播、PPR、路径搜索、约束执行、agent trajectory 和后端路由。
  4. 证据控制:来源追踪、充分性判断、桥接证据、路径完整性和错误恢复。
  5. 系统约束:构图成本、在线延迟、上下文预算、模型调用和部署资源。

已形成的共识

1. 图不自动带来收益

图结构只有在问题包含跨文档关系、组合约束、多跳依赖或需要证据组织时才可能超过扁平检索的额外成本。Do We Still Need GraphRAG、StructRAG 和 GraphRAG-Router 都把“选择图或选择后端”推到系统层。

2. 构图质量会限制检索上限

关系抽取、实体链接、跨 chunk 对齐、社区聚合和多模态编译都会引入误差。LinearRAG 代表了减少显式关系的路线,CrossAug 代表了针对高价值区域补桥接结构的路线,CS-RAG 则把不完美图作为检索时的输入条件。

3. “找得相关”与“集合足够”不是同一目标

BubbleRAG 以连通、覆盖多锚点的证据子图为目标,DOTRAG 以 goal-constrained path 为目标,STAR 关注长尾路径排序,FastInsight 关注拓扑与语义算子的融合。它们都比单一节点分数更接近证据集合问题,但当前仍缺少统一的集合级指标和跨方法协议。参见 代表工作比较矩阵 和 GraphRAG中的多粒度证据最小充分集。

4. 动态方法的“动态”含义不同

Graph-R1 学习多轮 state-action trajectory,A2RAG 做渐进扩展和答案回查,GraphRAG-Router 选择检索—生成后端,CS-RAG 只在候选分布足够集中时传播 binding。比较这些方法时,必须分别记录状态、动作、候选池、停止条件、预算和最终 ranker。

5. 可解释性尚未等于证据使用证明

路径展示、节点 attribution、引用、binding 状态和黑盒结构恢复分别回答不同问题。Ex-GraphRAG 的 encoder attribution 可以定位影响表示的节点,但仍需与来源充分性、答案反事实和 source swap 结合,才能判断证据是否真正支持回答。

当前主要分歧

分歧 路线 A 路线 B 真正需要比较的变量
图应多显式 relation-free / 层级结构,降低抽取噪声 relation / hypergraph,保留逻辑关系 结构保真、构建成本、查询复杂度和证据覆盖
检索应软还是硬 传播、PPR、融合分数,保留不确定性 路径、约束、离散 action,保留执行语义 候选池、beam/预算、停止和集合质量
何时停止 固定 hop、固定 top-k 或固定轮数 sufficiency、answer check、value-of-information 停止判断是否可靠,额外证据的边际收益
学习应放在哪里 encoder、ranker、query state planner、policy、backend router 训练信号是否改变了证据选择而非只改变生成
评测应看什么 answer EM/F1/LLM judge recall、coverage、faithfulness、cost、provenance 同一候选池、同一预算和可追踪的文档排序

证据缺口

Gap 1:实体相关性和文档来源仍然分离

多数方法先在实体或路径空间得到分数,再把结果映射为文档;来源、证据角色和文档间互补性没有共同状态。这正是当前 研究报告:从节点相关性到可验证证据集合 所指出的核心瓶颈。

Gap 2:单条轨迹不能表示多个证明假设

PPR、beam 或单一 query state 往往把多个可能的 reasoning chain 压成一个分布或一条轨迹。错误早期承诺会让正确桥接证据永远失去预算。理论参照:Graph搜索的完备性与Beam-Search偏差。

Gap 3:support entity union 缺少角色语义

anchor、bridge、terminal、contradictory 和 redundant evidence 对集合的作用不同。只把 supporting entities 合并后排序,无法保证集合能形成完整证明。

Gap 4:评测没有同时约束覆盖、来源和成本

最终答案分数不能区分候选池缺失、路径选择错误、文档排序错误、上下文压缩损失和生成错误。需要固定候选池、保留文档排序、记录 provenance,并把 evidence-set 指标与 QA 指标并列报告。

Gap 5:自动更新仍停留在候选发现

Semantic Scholar、arXiv 或其他检索源可以发现论文,但版本、正式 venue、结果数字、方法 claim 和引用关系仍需一手来源核验。更新系统应自动生成候选和差异队列,不能自动升级结论。

当前研究判断

当前最有区分力的研究问题不是“再加入一个图模块是否提升分数”,而是:

在固定候选池、固定检索预算和固定读出器下,来源条件化的状态是否能恢复更完整、更互补且可验证的证据集合?

这个问题可以把 QueryShift 的动态传播、BERDG-RAG 的文档—实体转移和现有的 evidence-set 方法放到同一个对照框架中。

证据边界

  • pdf-level 表示当前已有 PDF 级阅读卡片,不表示所有元数据和 claim 都已由一手来源重新核验。
  • abstract-level 只支持摘要级定位;其中 9 条记录仍有结构化正文缺口。
  • repair-needed 不应被用来支持方法、结果或领域趋势结论。
  • 研究方向判断是跨论文综合,必须保留参照论文、候选池和评测协议。

2026-11-15 增量观察

本轮新来源把现有缺口进一步分成四个可检验层次:

  1. 构图与检索是否必须绑定:ArcRAG 把跨构图 portability 作为直接问题;因此“同一图上效果提升”不能自动说明检索器可迁移。
  2. 证据是否可追溯到原文 occurrence:GraphRAGProv 将 how-provenance 接到 source text;这比展示一条路径更接近来源使用审计,但仍需连接生成阶段和集合充分性。
  3. 动态控制是否能被统一测量:MOSAIC 将 seed、遍历、停止和证据选择放入 query-level policy;比较时要冻结图、生成器和总预算。
  4. 评测现实度正在上升:GraphRAG-Bench 测领域化推理,WildGraphBench 测长异质来源,TopoGraphRAG-Bench 测多模态布局拓扑;三者不能合并成一个“更真实”的单一指标。

同时,Lightfoot 提醒:GraphRAG 的成本边界还包括文档删除、索引一致性和 provenance 维护。后续研究应把构建、检索、读出、更新和删除分阶段报告。