检索与核对日期:2026 年 11 月 16 日。

arXiv 扩展已补入文末第 12 节:新增 50 项相关研究,含 29 项 2025 年记录与 21 项 2026 年记录,每项附原文、PDF、方法抓手及研究关系。

本文面向重新进入 GraphRAG 文献的研究者,重点是跨文档检索、多跳问答、可训练图检索及证据组织。覆盖代表性顶会论文、相关 Findings 论文和具有引用积累的研究;另补六篇源头与邻接工作。不是穷尽性综述,也不是论文质量或性能排行榜。

整体判断:GraphRAG 的研究重心,正在从“用图连接文本碎片”,扩展到“在不完美知识结构上,以可泛化、可适应、成本可控的方式,恢复能够支持回答的证据”。 这些方向并行发展,不能理解成后一个方向已经取代前一个方向。

1. 先分清 GraphRAG 的研究对象

| 类型 | 输入与图的角色 | 常见检索产物 | 代表工作 |

|---|---|---|---|

| 从文档构图,图作为检索索引 | 原始知识主要保留在文档中;实体、关系或关联图帮助定位证据 | 文档、段落、实体关联的证据 | HippoRAG 2、KG²RAG、GFM-RAG、LinearRAG |

| 已有 KG 上的检索与问答 | 图中的三元组本身就是主要外部知识 | 三元组、关系路径、子图 | SubgraphRAG、GNN-RAG、Think-on-Graph 2.0 |

| 文本属性图理解 | 场景图、知识图或其他带文本属性的图本身是待理解对象 | 相关子图及其编码 | G-Retriever、GRAG |

| 文档与多模态证据组织 | 文本、表格、图像、说明及版面共同承载证据 | 跨模态证据单元及依赖结构 | TopoGraphRAG-Bench 所评测的系统 |

这一划分会影响“图质量”“检索成功”“证据充分”的含义。KGQA 上答案实体或三元组检索成功,不能直接等价于文档检索中找全支持文档;文档图的连通性也不能自动当作事实正确性。

2. 研究问题如何推进

下表是基于代表论文的综合归纳,不是作者共同提出的统一分期。年份表示问题受到明显关注的时间范围;各阶段相互重叠。

| 问题推进 | 上一步暴露的瓶颈 | 代表回答 | 随之出现的新问题 |

|---|---|---|---|

| 从独立片段到跨片段关联,2024–2025 | 相似度高的片段仍可能彼此孤立,遗漏跨文档连接 | GraphRAG 的社区组织、HippoRAG 的关联传播、KG²RAG 的扩展与组织 | 图如何构建,哪些信息会在结构化时丢失? |

| 从“构一张图”到选择合适的表示,2025–2026 | 细粒度关系抽取成本高、实体碎片化;二元表示可能拆散联合事实 | LightRAG、KET-RAG、KGGen、HyperGraphRAG、LinearRAG | 更丰富结构与更轻量索引之间如何取舍? |

| 从启发式图搜索到可学习检索,2025 | 固定传播或局部相似度不能充分表达问题相关的多跳依赖 | SubgraphRAG、GNN-RAG、GFM-RAG | 学到的是特定数据集模式,还是跨图可复用的能力? |

| 从任务模型到图检索基础模型,2025–2026 | 每换语料或图结构就重新训练,迁移成本高 | GFM-RAG、G-reasoner | 新图、新领域、新知识组织方式下能否稳定泛化? |

| 从静态图与一次检索到动态结构和决策,2025–2026 | 需要的下一条证据在推理开始时可能尚不明确,预构图也可能缺边 | ToG-2、Relink、Youtu-GraphRAG、Graph-R1、GraphRAG-R1 | 如何分配搜索预算,避免浅检索、过度搜索及错误反馈? |

| 从候选召回到可用且充分的证据,2026 | 候选中有桥接证据,不代表它会进入上下文;扩展又可能引入噪声、冲突与冗余 | BDTR、CONSIST、PathRAG 所对应的不同处理角度 | 是否找到了缺失的关键证据,是否保留了足以支持回答的紧凑结构? |

| 从终端分数到收益边界与真实可靠性,2026 | 结果受任务、构图、预算、语料组织及攻击方式影响 | GraphRAG-Bench、RAG vs. GraphRAG、WildGraphBench、TopoGraphRAG-Bench、LogicPoison | 哪些条件下应该用图,失败发生在哪个环节? |

一个关键张力贯穿这些问题:证据不足需要扩展,证据过多需要筛选;结构缺失需要补充,结构错误需要抑制。 因此“图越大越好”和“检索越少越好”都不能成为一般结论。

3. 六篇需要知道的源头与邻接工作

论文 发表记录 核心切入点 为什么仍值得作为起点
From Local to Global: A Graph RAG Approach to Query-Focused Summarization 2024 年首发预印本,2025 年有修订 图社区及社区摘要帮助处理跨语料的全局性问题 微软 GraphRAG 的重要源头;原始重点包含全局 sensemaking,不能只按多跳事实 QA 理解
HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models NeurIPS 2024 主会 LLM 构图、实体链接与 Personalized PageRank 联合支持关联检索 解释为什么图扩散可以找到与原问题字面相似度较低的关联知识
G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering NeurIPS 2024 主会 用 Prize-Collecting Steiner Tree 组织相关子图,并结合图编码与 LLM 把“检索一组彼此关联的结构”与“独立取若干相似文本”区分开
LightRAG: Simple and Fast Retrieval-Augmented Generation Findings of EMNLP 2025;预印本 2024 轻量实体—关系图、local/global 双层关键词检索与增量合并 作为从源头 GraphRAG 走向效率和维护的桥梁,区分预印本年份与正式发表年份
RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval ICLR 2024 递归聚类、摘要树与多层检索 与社区图并列理解层次化上下文,并追问摘要节点的来源保真
Think-on-Graph: Deep and Responsible Reasoning of Large Language Model on Knowledge Graph ICLR 2024 LLM 在 KG 上交替进行关系/实体 beam search 与停止判断 作为在线图探索和路径级证据的早期代表,与文档图路线区分开

它们分别强调全局知识组织、关联记忆检索、轻量双层索引、层次摘要、结构化子图选择和在线路径探索,不是一条单线的六个版本。

4. 2025 年:几条基本路线逐渐成形

4.1 图如何作为文本检索的组织结构

| 论文与正式发表 | 研究问题 | 主要思路 | 阅读时要带着的问题 |

|---|---|---|---|

| LightRAG: Simple and Fast Retrieval-Augmented Generation,Findings of EMNLP 2025 | 如何同时支持具体实体与更高层主题相关的信息检索? | 图索引与向量检索结合,双层检索,并支持增量纳入数据 | 低层与高层检索分别服务哪类问题?效率来自哪里? |

| Knowledge Graph-Guided Retrieval Augmented Generation(KG²RAG),NAACL 2025 主会 | 初始语义检索之后,如何补充相关片段并组织连贯上下文? | 先取种子片段,再做 KG 引导的片段扩展与组织 | 图的价值是在找新证据,还是在组织已找到的证据? |

| KET-RAG: A Cost-Efficient Multi-Granular Indexing Framework for Graph-RAG,KDD 2025 研究轨道;会议清单 | 是否值得对全部文本做高成本关系抽取? | 少量关键片段构建 KG 骨架,全部片段建立文本–关键词二部图 | 昂贵的结构应该用在哪些位置?轻量结构是否已足够? |

| KGGen: Extracting Knowledge Graphs from Plain Text with Language Models,NeurIPS 2025 主会 | 抽取后的图为什么容易碎片化,如何改善实体归并与信息保留? | 用语言模型构图,结合实体聚类与消歧来缓解稀疏性 | 抽取局部正确,是否也意味着跨文档连接正确? |

| HyperGraphRAG: Retrieval-Augmented Generation via Hypergraph-Structured Knowledge Representation,NeurIPS 2025 主会 | 一个事实涉及多个实体时,拆成独立二元关系会丢掉什么? | 用超边组织多元关系事实,并进行相应检索 | 收益来自事实单元保留、联合检索,还是抽取流程差异? |

我的归纳:这组工作把问题从“要不要图”推进到“图需要保留什么,以及值得为哪些结构付出成本”。 超图强调联合事实表示,KET-RAG 强调有选择地投入构图成本。二者追求的重点不同,不能以结构复杂度直接排序。

也不能把 HyperGraphRAG 的动机理解成普通图原则上无法表达多元事实:通过事件节点或其他重化方式也可编码。需要关注的是表示与检索的具体设计是否保留了联合语义。

4.2 图上检索从固定机制走向可学习与可泛化

| 论文与正式发表 | 研究问题 | 主要思路 | 在研究脉络中的位置 |

|---|---|---|---|

| From RAG to Memory: Non-Parametric Continual Learning for Large Language Models(HippoRAG 2),ICML 2025 | 如何增强关联检索,同时避免基本事实检索能力退化? | 更深地整合段落,改进在线 LLM 使用,并保留 PPR 关联传播 | 从“多跳能力强”推进到覆盖事实、sense-making 与关联记忆 |

| Simple Is Effective: The Roles of Graphs and Large Language Models in Knowledge-Graph-Based Retrieval-Augmented Generation(SubgraphRAG),ICLR 2025 | 是否一定需要昂贵、复杂的图上 LLM 搜索,才能选出合适的 KG 子图? | 轻量 MLP 并行评分三元组,结合有向结构距离特征 | 把检索器复杂度与 LLM 推理能力分开讨论;主要评测是 KGQA |

| GNN-RAG: Graph Neural Retrieval for Efficient Large Language Model Reasoning on Knowledge Graphs,Findings of ACL 2025 | 能否用轻量 GNN 减少昂贵 LLM 图遍历? | GNN 找到相关答案候选,抽取连接问题实体与候选的路径,再供 LLM 推理 | 明确的 GNN 检索 + LLM 生成分工;不能直接等同于开放文档检索 |

| GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation,NeurIPS 2025 | 图检索能力能否跨知识图和新语料迁移,减少逐数据集训练? | 查询条件化 GNN,先做 KG 补全预训练,再做监督检索训练;实体结果通过索引映射到文档 | 从任务级 GNN 检索器推进到图检索基础模型 |

GFM-RAG 特别值得与你的 GNN + 文档聚合框架对照。它已经同时涉及查询相关传播、跨图训练、实体检索及实体到文档的映射。因此,“加入 GNN”“传播依赖 query”“用实体分数排文档”本身不足以说明新的研究贡献。

它的附录 E.4 明确讨论了 Top-T 实体预测与 IDF 加权文档映射,并指出显式倒排索引衔接结构推理与文档证据的设计空间。由此可以提出一个进一步问题:实体层面的高相关,怎样转化成文档集合层面的充分支持? 这是基于其方法的研究判断,不能误写成该论文已经完整解决或完全没有研究集合问题。参见论文全文与附录。

4.3 推理与检索开始更紧密地交互

| 论文与正式发表 | 研究问题 | 核心思路 |

|---|---|---|

| Think-on-Graph 2.0: Deep and Faithful Large Language Model Reasoning with Knowledge-guided Retrieval Augmented Generation,ICLR 2025 | KG 不完备时,如何同时利用结构化知识与文本? | 在迭代过程中紧密耦合 KG 与非结构化文本检索 |

| GRAG: Graph Retrieval-Augmented Generation,Findings of NAACL 2025 | 如何检索文本属性子图,并让 LLM 同时利用文本与拓扑? | 子图检索后结合文本视图与图视图进行生成 |

| Medical Graph RAG: Evidence-based Medical Large Language Model via Graph Retrieval-Augmented Generation,ACL 2025 主会 | 医学回答如何链接用户材料与可信来源,组织可追溯证据? | 多层图组织及结合自顶向下检索、自底向上细化的 U-Retrieval |

其中 MedGraphRAG 适合了解领域证据组织的需求,但它的存在不意味着药物关系发现或多跳发现型 benchmark 已被覆盖。问答、证据追溯与新关系发现需要分别界定。

5. 2026 年:结构、策略与泛化的进一步分化

| 论文与正式发表 | 针对的核心瓶颈 | 主要思路 | 相对前一问题的推进 |

|---|---|---|---|

| LinearRAG: Linear Graph Retrieval Augmented Generation on Large-scale Corpora,ICLR 2026 | 昂贵、不稳定的显式关系抽取可能损害检索 | 用轻量实体抽取与语义链接构建 relation-free Tri-Graph,再做实体激活与全局文档重要性聚合 | 重新审视哪些结构是检索真正需要的 |

| G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge,ICLR 2026 | 图知识来源、表示和任务差异阻碍统一迁移 | 用 QuadGraph 四层抽象统一知识,再联合图基础模型与语言模型 | 从可迁移图检索进一步走向多源图知识统一推理 |

| Relink: Constructing Query-Driven Evidence Graph On-the-Fly for GraphRAG,AAAI 2026;原文 | 静态预构图可能缺少当前问题需要的连接,也包含干扰关系 | 利用 KG 骨架与潜在关系候选,按查询构建证据图 | 让图结构本身参与查询时适应 |

| PathRAG: Pruning Graph-based Retrieval Augmented Generation with Relational Paths,AAAI 2026 | 检索产物冗余,直接平铺无法呈现关系组织 | 用流式剪枝选择关系路径,以路径形式组织提示 | 从“扩展得到更多”转向“保留更有用的结构” |

| Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning,ICLR 2026;原文 | 构图、社区组织与检索各自设计,跨域适应不一致 | 用共享图 schema 贯穿构建、层级组织和查询分解、迭代检索 | 在系统层面协调结构与搜索 |

| Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning,ICML 2026 | 一次检索与固定流程无法随中间推理需要改变搜索 | 轻量知识超图、多轮 agent–environment 交互及端到端强化学习 | 把检索视作可训练的连续决策 |

| GraphRAG-R1: Graph Retrieval-Augmented Generation with Process-Constrained Reinforcement Learning,WWW 2026 | 浅层检索与过度思考之间存在性能–成本矛盾 | 过程约束奖励、阶段式训练及混合图文检索 | 将搜索行为和成本一起纳入优化 |

| MemGraphRAG: Memory-based Multi-Agent System for Graph Retrieval-Augmented Generation,KDD 2026;会议论文清单 | 分片独立抽取缺乏全局背景,可能导致断裂、冲突与主题不一致 | 共享记忆辅助多 agent 构图,并配套记忆感知的层级检索 | 把构图质量问题从局部抽取推进到全语料一致性 |

Graph-R1 与 GraphRAG-R1 是不同论文。 前者正式发表于 ICML 2026,后者正式发表于 WWW 2026。名称相近,检索或整理参考文献时尤其容易混淆。

LinearRAG 的低 token 构图主张,也不能理解为系统没有任何构图或计算成本;实体抽取、语义计算、图存储和查询成本仍需要分别统计。

G-reasoner 可与 GFM-RAG 连读:二者都强调图知识上的可迁移模型能力,但 G-reasoner 进一步突出异构知识统一表示与图–语言模型协同。不能把两者简化成“只是参数量不同”。

6. 2026 年下半年:桥接排序、充分证据与自适应预算

| 论文与状态 | 问题为什么更进一步 | 方法抓手 | 建议重点检查 |

|---|---|---|---|

| Beyond Static Retrieval: Opportunities and Pitfalls of Iterative Retrieval in GraphRAG(BDTR),EMNLP 2026 主会 | 桥接证据出现在候选中,仍可能排不到最终上下文;多轮检索也可能重复原有偏好 | 互补思路与推理链辅助的桥接证据重排 | 候选池覆盖、前列排序与最终推理收益分别发生了什么变化? |

| GraphRAG-Router: Learning Cost-Efficient Routing over GraphRAGs and LLMs with Reinforcement Learning,EMNLP 2026 主会 | 同一个检索系统和同一个大模型,不一定适合所有难度的问题 | 在不同 GraphRAG 与生成模型间做层级路由,结合成本感知训练 | 收益来自检索选择、生成器分配,还是预算变化? |

| Learning Minimal Sufficient Evidence Graphs for GraphRAG via Nash-Guided Optimization(CONSIST),NeurIPS 2026 已接收;作者公开摘要、会议清单 | 既要补上关键连接,又要删掉不可靠、冲突和冗余的结构 | 扩展–编辑过程、Gumbel 边编辑和 Nash 引导的效用协调 | “最小”“充分”“冲突”如何形式化、监督和评测? |

| TopoGraphRAG-Bench: Evaluating Multimodal GraphRAG on Layout-Grounded Evidence Reasoning,NeurIPS 2026 已接收;会议清单 | 找到相关文本或页面,仍不等于恢复跨文本、图表与版面的证据依赖 | 用单跳、桥链、多源综合拓扑组织问题,并验证模态与证据必要性 | 是否真正恢复依赖拓扑,还是利用文字或页面中的捷径作答? |

截至本次检索日,NeurIPS 2026 上述条目按“已接收”记载,不写成会议已结束后的正式 proceedings 版本。CONSIST 此处的方法介绍基于作者公开摘要和会议清单,尚不构成全文级复核;不据此确认其“最小充分”的严格保证,也不把摘要中的效果数字作跨论文性能比较。

这批工作对研究判断的意义是:桥接证据、证据充分性、紧凑结构和成本自适应,已是有明确论文进入的研究问题。 如果围绕这些概念提出新方法,需要进一步区分具体控制对象、优化目标、可观测状态和泛化条件,不能仅依靠问题名称说明创新。

7. 评测问题也在变化

| 工作 | 发表状态 | 研究问题 | 对阅读方法论文的启示 |

|---|---|---|---|

| When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation(GraphRAG-Bench) | ICLR 2026 | 图在事实检索、复杂推理、上下文总结与生成等不同任务中,何时带来收益? | 不把某个多跳 QA 集上的领先直接外推到所有 RAG 场景 |

| RAG vs. GraphRAG: A Systematic Evaluation and Key Insights | KDD 2026;作者发表记录、出版 DOI | 在任务和设置更可比较的情况下,文本 RAG 与不同 GraphRAG 有何差异? | 检查任务类型、构图差异、检索预算与上下文组织,避免只比较最终一个数 |

| WildGraphBench: Benchmarking GraphRAG with Wild-Source Corpora | Findings of ACL 2026 | 短小、整理过的候选段落是否代表真实长文档与异质来源检索? | 关注真实外部来源、跨文档证据定位和细粒度信息保留 |

| TopoGraphRAG-Bench | NeurIPS 2026 已接收 | 多模态检索是否恢复了必要的证据拓扑? | 从“检索到了哪些内容”继续检查“这些内容的依赖是否被保留” |

7.1 已补全文级介绍的代表论文

以下十三篇代表论文已有 pdf-level 完整介绍,HTML 详情页会从对应 Markdown 维护源生成。它们不是一个性能排行榜,而是覆盖不同研究缺口的阅读入口:

论文 全文阅读重点
GraphRAG-Bench 构图成本、检索延迟、答案与 rationale/AR 的分离,以及数学/伦理题的收益边界
WildGraphBench 引用网页形成的长异质语料、多事实聚合与 summary 覆盖—精度张力
ArcRAG query-local interface、跨 schema 构图迁移,以及“可迁移不等于不受构图影响”
Lightfoot passage provenance、删除不变量、索引成本和未命名后跳证据的失败
GraphRAGProv SPARQL how-provenance 如何暴露错误抽取、错误查询和实体不一致
MOSAIC 查询级策略接口、固定策略对照、搜索量下降与 analyzer 延迟
TopoGraphRAG-Bench 单跳/桥链/综合拓扑、多模态必要性和视觉—文本对齐失败
Microsoft GraphRAG 社区检测、层级 community reports、global sensemaking 与 map-reduce 评测边界
HippoRAG OpenIE、同义边、PPR 关联传播、passage 映射和多跳检索成本
LightRAG local/global 双层检索、轻量图索引、增量更新与删除/provenance 缺口
RAPTOR 递归摘要树、多抽象层检索、长文档结果与来源保真边界
G-Retriever PCST 连通子图、GNN—LLM 接口、GraphQA 任务与开放文档迁移边界
Think-on-Graph KG 上关系/实体 beam search、ToG-R 成本折中与路径 grounded 局限

阅读这些条目时,优先区分论文的受控设置、外部报告数字和作者没有声称的范围;HTML 页面中的“全文级”表示已读 PDF,不表示本库重新复现实验。

名称提醒:本表中的 ICLR 2026 GraphRAG-Bench,是 Xiang 等人的 When to use Graphs in RAG。检索结果中另有 GraphRAG-Bench: Challenging Domain-Specific Reasoning for Evaluating Graph Retrieval-Augmented Generation 等近似名称,不能只按简称合并元数据或引用数。

安全与鲁棒性形成另一条明确分支:

因此,图提供关联结构,并不自动提供可信事实;结构连通、相关性、来源可追溯与抗攻击能力是不同性质。

8. 用一个例子串起问题演进

设问题为:“某部电影的编剧毕业于哪所大学?”以下只是假设性任务,不涉及具体事实。

  1. 语义检索可能反复找到电影简介,却漏掉编剧履历:这是跨文档连接问题。

  2. 构图将电影与编剧连接,但编剧同名或实体未归并:这是知识组织与实体解析问题。

  3. 图里存在正确连接,却被知名演员等高连接度节点分散传播:这是查询相关检索问题。

  4. 电影介绍和编剧履历都在候选里,但履历排在预算之外:这是桥接证据排序与上下文选择问题。

  5. 找到大学名后继续扩展到大量校友信息:这是停止、成本与冗余控制问题。

  6. 两份履历给出不同毕业信息:这是冲突与来源可靠性问题。

  7. 系统给出正确大学,却主要凭模型记忆作答:这是证据利用和评测归因问题。

这解释了为什么“增加召回”可能有效,却不能独立覆盖整个 GraphRAG 研究问题。

9. 与 GNN + 文档聚合框架最相关的阅读判断

下面是基于上述论文的个人综合判断,供定位研究问题使用,不是已经完成的创新性检索结论。

第一,方法的身份应落实到控制对象。 是改变图表示、消息传播、实体选择、文档集合、查询状态,还是搜索预算?“GNN + GraphRAG”覆盖范围太大,难以单独说明研究问题。

第二,要区分实体相关与证据集价值。 文档可能因为包含多个高分实体而排名高,却只重复已经掌握的事实;另一份文档实体相关度一般,却补上缺失的推理连接。这个问题直接连接 GFM-RAG 的实体–文档映射、BDTR 的桥接排序与 CONSIST 的充分证据图。

第三,训练目标需要匹配最终任务。 单个实体分类、文档排序、完整支持集覆盖、答案正确性、预算内成功率,分别对应不同的学习信号和失败模式。不能因为用了更强训练目标,就默认结构机制本身更好;也不能因为实体指标变好,就默认证据集合更充分。

第四,动态机制要解释到底什么在变化。 “随 query 变化”与“随已检索证据变化”不同;改变子查询、改变边权、动态增删边、选择保留证据和决定何时停止,也不同。与 ToG-2、Relink、Graph-R1、BDTR 比较时应明确这一点。

第五,泛化与收益边界需要一起看。 GFM-RAG/G-reasoner 关心可迁移的图模型能力;LinearRAG 关心轻量结构;GraphRAG-Bench/WildGraphBench 关心适用任务和语料。一个更复杂的模型,需要说明它在哪些结构条件、证据要求和预算下值得使用。

10. 恢复阅读的建议顺序

这里按信息收益组织,而不是按引用数或发表日期机械排序。

| 轮次 | 建议阅读 | 读完希望能回答的问题 |

|---|---|---|

| 第一轮:恢复系统地图 | HippoRAG 2 → LinearRAG → GraphRAG-Bench | 关联传播为什么有用?是否需要显式关系?图在什么任务上值得用? |

| 第二轮:对齐现有框架 | GFM-RAG → G-reasoner;并对照 GNN-RAG/SubgraphRAG | 可训练图检索已有能力边界在哪里?KGQA 与文档检索差在哪? |

| 第三轮:了解动态决策 | Graph-R1 → GraphRAG-R1;结合 ToG-2 和熟悉的 Relink | 搜索是怎样被训练或适应的?结构适应与策略适应有什么不同? |

| 第四轮:追到近期前沿 | BDTR → CONSIST → TopoGraphRAG-Bench | 桥接证据为什么仍会丢失?怎样讨论充分、紧凑、可用的证据? |

如果目前只读六篇,建议先读 GFM-RAG、G-reasoner、LinearRAG、GraphRAG-Bench、BDTR、CONSIST。其中 CONSIST 先读公开摘要与可获得版本,详细判断仍需全文。

HyperGraphRAG 适合随后补充表示层面的思考;GraphRAG-Router 适合补充成本分配问题;WildGraphBench 适合准备真实语料或新 benchmark 时阅读。

11. 被引信息与检索口径

11.1 本次 Semantic Scholar API 快照

记录日期:2026-11-09。下面是本次 API 返回的对应记录的 citationCount,并非 Google Scholar 统计,也没有跨记录手工合并。网页缓存可能显示不同日期的旧数值。

| 工作 | 对应记录被引数 | Semantic Scholar 记录 |

|---|---:|---|

| Microsoft GraphRAG / From Local to Global | 2,561 | 记录 |

| LightRAG | 597 | 记录 |

| HippoRAG | 468 | 记录 |

| G-Retriever | 430 | 记录 |

| HippoRAG 2 | 294 | 记录 |

| GNN-RAG,2025 年 Findings 正式记录 | 171 | 记录 |

| RAG vs. GraphRAG | 122 | 记录 |

| PathRAG | 109 | 记录 |

| HyperGraphRAG | 101 | 记录 |

| LinearRAG | 76 | 记录 |

| Graph-R1 | 67 | 记录 |

| GFM-RAG | 64 | 记录 |

GNN-RAG 的 2024 年预印本还存在一个标题略有不同的记录,本次返回 190 次引用。由于可能存在引用重叠和版本拆分,本表不把 190 与 171 相加。其他工作也可能存在类似问题。

2026 年新近发表或接收的论文积累引用的时间较短。因此本文同时使用发表场所、问题代表性和内容相关性筛选,没有设一个统一引用阈值来判断质量。

11.2 检索说明与边界

  • S2 发现策略:bulk search,查询为 GraphRAG | LightRAG | HippoRAG | GNN-RAG | GFM-RAG | HyperGraphRAG | PathRAG | LinearRAG,年份 2024–2026,按引用数降序,返回上限 100;实际返回 100,按 paperId 去重后 100。此查询会漏掉名称不含这些词的相关研究,不能当作完整领域排行。

  • 另外使用会议官网、PMLR、ACL Anthology、NeurIPS/ICLR proceedings、AAAI、arXiv 及作者公开记录补充和核验,特别补查了 2026 年下半年的 EMNLP 与 NeurIPS 条目。

  • 文中年份优先表示正式会议年份,而不是 S2 的首发年份字段。LightRAG 等工作预印本在 2024 年,正式版本在 2025 年;LinearRAG、Graph-R1、PathRAG 等工作预印本在 2025 年,正式会议在 2026 年。

  • Findings、主会与已接收状态分别标明;没有把 Findings 自动记为主会论文。

  • 这是一份问题导向的代表性文献地图,不是逐篇复现实验后的结论。大部分条目核对了原论文摘要与发表记录;GFM-RAG 额外核读了方法与文档映射分析。CONSIST 的信息覆盖限制已单独标明。

  • 个别出版站页面未能完整读取时,使用原文与作者发表记录交叉核验;没有据此核验相应最终 camera-ready 的所有细节。

  • 不做跨论文性能数值拼表。不同语料、答案模型、预算、构图和评测口径下的数值,不能直接证明整体方法优劣。

读论文时可以持续保留一个问题:当前失败究竟来自图中没有证据、搜索没找到证据、排序没选入证据,还是生成器没有正确使用证据? 这比仅按“使用哪一种图或 GNN”整理,更容易看清研究问题的演进。

12. arXiv 扩展检索:新增 50 项相关研究

扩展日期:2026-11-09。新增条目中,2025 年 29 项、2026 年 21 项;标题与上一版逐项比较,没有重复已列出的完整论文标题,50 个 arXiv 标识也互不重复。

本轮以问题相关性筛选 arXiv 版本,覆盖已发表论文的预印本和新近预印本;收录 arXiv 版本不代表论文尚未发表。年份用于定位相应预印本记录,不替代正式会议年份。除原页面有明确说明的少数条目外,本附录不重新断言正式接收状态。以下是摘要级文献筛选,重点转述研究问题与方法抓手,不做逐篇全文审稿或跨论文 SOTA 比较。

12.1 按研究问题分组

| 组别 | 新增项数 | 主要关注 |

|---|---:|---|

| A. 可学习检索与目标对齐 | 5 | 检索与生成联合训练、路径学习、流匹配 |

| B. 查询演化、传播与自适应搜索 | 10 | query / evidence 条件化、传播门控、跨构图迁移 |

| C. 桥接、充分性、冲突与来源追溯 | 6 | 互补证据、停止、恢复原文、来源与冲突 |

| D. 强化学习策略与任务驱动构图 | 4 | 构图奖励、中间进展、图编辑动作 |

| E. 图表示、低成本索引与适应性执行 | 10 | 异构图、层级、文档图、问题 DAG、潜在结构 |

| F. 高阶关系、超图与工作记忆 | 4 | 实体–段落关联、高阶记忆、动态规划 |

| G. 时间演化与多模态 GraphRAG | 6 | 知识有效期、增量更新、图文表联合证据 |

| H. 评测、归因与知识不完整 | 4 | 统一设置、评判偏差、缺失知识下的推理 |

| I. 相关领域知识与任务分解 | 1 | 知识原子化、领域检索与逐步 rationale |

12.2.A 可学习检索与目标对齐

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 1. UniGFM-RAG — UniGFM-RAG: Unify Graph Foundation Models and Large Language Models for End-to-End Retrieval and Reasoning | 2026 · 2610.34866 · PDF | 通过可微图桥接将 GFM 文档节点表示接入 LLM,并用答案损失联合训练检索与生成。 | 与你的 GNN→文档排序最直接相关;需比较离散文档选择与连续图前缀的职责。 |

| 2. TaLenT — Towards a Learnable Retriever for Textual Graph Question Answering | 2026 · 2610.33511 · PDF | 学习型 LLM 检索器与生成器联合组织,利用答案及相关节点的伪标签平衡覆盖和紧凑性。 | 对象主要是文本属性图 QA,答案节点监督不等同于 supporting-document 监督。 |

| 3. STAR — STAR: Semantic-Tuned and Tail-Adaptive Retriever for Graph-Augmented Generation | 2026 · 2605.18765 · PDF | 结合查询–路径 token 交互、难路径挖掘与长尾路径加权对比学习。 | 用于审视语义捷径与长尾路径偏置;主要是给定 KG 上的检索。 |

| 4. GraphFlow — Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? | 2025 · 2510.16582 · PDF | 用 transition-based flow matching 联合训练检索策略和流估计器,将结果奖励分配到中间状态。 | 在 STaRK 文本丰富 KG 上关注相关性与多样性;不要与 FlowRAG、QueryFlow 混淆。 |

| 5. HyperRAG — HyperRAG: Reasoning N-ary Facts over Hypergraphs for Retrieval Augmented Generation | 2026 · 2602.14470 · PDF | 提供学习结构–语义推理的 HyperRetriever 与利用 LLM 记忆引导搜索的 HyperMemory。 | 观察高阶事实链的学习与搜索;不是名称相近的 KV-cache 复用 HyperRAG。 |

12.2.B 查询演化、传播与自适应搜索

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 6. ToG-3 — Think-on-Graph 3.0: Efficient and Adaptive LLM Reasoning on Heterogeneous Graphs via Multi-Agent Dual-Evolving Context Retrieval | 2025 · 2509.21710 · PDF | 在 chunk–triplet–community 异构图上,协同演化查询和子图并反思证据。 | 与查询状态随证据演化高度相关,但其实现是多 agent 工作流。 |

| 7. GraphSearch — GraphSearch: An Agentic Deep Searching Workflow for Graph Retrieval-Augmented Generation | 2025 · 2509.22009 · PDF | 通过多轮交互联合文本语义查询与结构关系查询,形成双通道深度搜索。 | 用于比较语义检索与图检索如何互补;不是同名的零样本图学习论文。 |

| 8. QCG-RAG — Query-Centric Graph Retrieval Augmented Generation | 2025 · 2509.21237 · PDF | 利用 Doc2Query 等生成查询粒度的索引连接,再执行多跳片段检索。 | 关键在索引粒度;query-centric 不自动等于在线 recurrent query state。 |

| 9. HopRAG — HopRAG: Multi-Hop Reasoning for Logic-Aware Retrieval-Augmented Generation | 2025 · 2502.12442 · PDF | 用伪查询建立段落之间的逻辑连接,并执行 retrieve–reason–prune 检索。 | 提供文档/段落图路线,可与实体作为中介的检索比较。 |

| 10. QAFD-RAG — Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees | 2026 · 2605.18775 · PDF | 按查询语义动态调整边权并执行流扩散,研究条件下的相关子图恢复保证。 | 与你的查询条件传播直接相关;理论结论依赖具体信噪条件,不是无条件保证。 |

| 11. Query-aware spreading activation — Query-Aware Spreading Activation for Multi-Hop Retrieval over Knowledge Graphs | 2026 · 2606.30133 · PDF | 用逐步语义门控与固定迭代数传播,并将检索实现为 Neo4j 内的 Cypher 查询。 | 适合作为 query gate 的轻量机制对照,区分机制收益与运行系统收益。 |

| 12. FlowRAG — FlowRAG: Synergizing Explicit Reasoning via Frequency-Aware Multi-Granularity Graph Flow | 2026 · 2606.17856 · PDF | 构建段落、摘要、句子、实体四层图,结合多粒度激活和频率感知实体–段落流。 | 与 entity–document aggregation 特别接近,也关注抽象问题的实体种子不足。 |

| 13. EAGR — EAGR: Evidence-Guided Adaptive Graph Retrieval | 2026 · 2611.01910 · PDF | 在 VectorDB 的语义元数据上形成隐式图,以累积证据选择下一探索方向并判断停止。 | 区分证据条件化探索与显式改写查询;不要求物化图或专用图数据库。 |

| 14. ArcRAG — ArcRAG: Agentic Compositional Retrieval over Knowledge Graphs | 2026 · 2611.06481 · PDF | 查询时归纳局部图接口,规划、执行和修复 Cypher,并测试跨构图方式的迁移。 | 把跨领域泛化进一步拆到跨构图方式可迁移性,适合 benchmark 设计。 |

| 15. CoG — Cognition on Graph: Navigating Massive Knowledge Space via Cognitive Cycles and Bidirectional Graph-Text Synergy | 2026 · 2609.12791 · PDF | 用 plan–explore–reflect 循环联动图与文本,文本中的新实体反馈后续图探索。 | 关注双向图文反馈和探索进度;属于训练免费的 agent 工作流。 |

12.2.C 桥接、充分性、冲突与来源追溯

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 16. BridgeRAG — BridgeRAG: Training-Free Bridge-Conditioned Retrieval for Multi-Hop Question Answering | 2026 · 2604.03384 · PDF | 以问题、已检索桥接证据和候选的三元交互评分后续证据,结合候选覆盖扩展。 | 相邻对照:不构图也不训练,可帮助分辨增益来自桥接条件化还是图结构。 |

| 17. LineageRAG — LineageRAG: Harnessing GraphRAG by Constructing Evidence Lineages with Source Grounding | 2026 · 2608.16004 · PDF | 为查询派生的证据需求分别维护 lineage,按需求检索并用原文 span 完成来源落地。 | 直接连接证据缺口、互补文档选择与 source grounding。 |

| 18. A2RAG — A2RAG: Adaptive Agentic Graph Retrieval for Cost-Aware and Reliable Reasoning | 2026 · 2601.21162 · PDF | 控制器检查证据充分性,按需增加检索努力,并将图信号映射回来源文本。 | 充分性用于是否继续和如何细化;需要与完整支持集覆盖的定义区分。 |

| 19. C2RAG — Mitigating KG Quality Issues: A Robust Multi-Hop GraphRAG Retrieval Framework | 2026 · 2603.14828 · PDF | 将查询拆成约束三元组,检查候选与传播条件,不充分时触发文本恢复。 | 区分噪声导致的检索漂移与缺失信息导致的不可靠传播。 |

| 20. GraphRAGProv — GraphRAGProv: GraphRAG Meets How-Provenance | 2026 · 2610.37237 · PDF | 在来源落地的 RDF 图上执行 SPARQL,计算记录语句如何组合的 provenance 多项式。 | 回答计算与可追溯性侧重符号查询;不要当成普通 LLM 生成器的替换实验。 |

| 21. TruthfulRAG — TruthfulRAG: Resolving Factual-level Conflicts in Retrieval-Augmented Generation with Knowledge Graphs | 2025 · 2511.10375 · PDF | 将检索内容结构化为 KG,以查询相关图检索和熵过滤识别事实层面的冲突。 | 关注外部证据与参数知识的冲突;与仅做删边鲁棒性是不同问题。 |

12.2.D 强化学习策略与任务驱动构图

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 22. AutoGraph-R1 — AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction | 2025 · 2510.15339 · PDF | 训练 LLM 构图器,将图在下游 RAG 中的功能效用作为奖励。 | 优化对象是构图策略;区分图作为知识载体与图作为检索索引的奖励。 |

| 23. ProGraph-R1 — ProGraph-R1: Progress-aware Reinforcement Learning for Graph Retrieval Augmented Generation | 2026 · 2601.17755 · PDF | 结合结构感知超图检索与基于中间推理进展的逐步策略优化。 | 关注最终奖励的稀疏性及中间检索依赖;与 Graph-R1 的差别在过程反馈。 |

| 24. KG-R1 — Efficient and Transferable Agentic Knowledge Graph RAG via Reinforcement Learning | 2025 · 2509.26383 · PDF | 用单个 agent 在 KG 环境中学习检索、推理和生成,研究迁移与推理成本。 | 主要是 KGQA,适合对照多模块 agent 工作流和跨 KG 迁移。 |

| 25. EvoGraph-R1 — EvoGraph-R1: Self-Evolving Multimodal Knowledge Hypergraphs for Agentic Retrieval | 2026 · 2607.12764 · PDF | 将检索、Web 搜索、图编辑与回答组成动作集合,使多模态超图在交互中更新。 | 结构修改本身成为策略动作,区别于只在固定图上决定下一步走向。 |

12.2.E 图表示、低成本索引与适应性执行

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 26. NodeRAG — NodeRAG: Structuring Graph-based RAG with Heterogeneous Nodes | 2025 · 2504.11544 · PDF | 通过异构节点重新设计图结构,使不同图算法和检索步骤能在统一结构中配合。 | 可用于比较不同层级节点是否承载不同检索职责。 |

| 27. ArchRAG — ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation | 2025 · 2502.09891 · PDF | 构建属性社区与层级索引,以社区语义引导检索并控制在线成本。 | 补充以社区为检索单元的路线,与实体扩散的局部视角比较。 |

| 28. HiRAG — Retrieval-Augmented Generation with Hierarchical Knowledge | 2025 · 2503.10150 · PDF | 在索引与检索中组织层级知识,以兼顾语义理解与结构捕捉。 | 关注不同抽象层级的知识如何连接具体证据。 |

| 29. E²GraphRAG — E^2GraphRAG: Streamlining Graph-based RAG for High Efficiency and Effectiveness | 2025 · 2505.24226 · PDF | 联合摘要树、轻量实体图及实体–片段双向索引,自适应选择局部或全局检索。 | 与你的 ED 图衔接紧密;效率应拆分构图、查询和生成成本。 |

| 30. PolyG — PolyG: Effective and Efficient GraphRAG with Adaptive Graph Traversal | 2025 · 2504.02112 · PDF | 按问题类型分类并选择对应图遍历策略,提供统一查询规划与执行。 | 研究的是策略选择,而非把所有问题都交给同一种传播。 |

| 31. FRAG — FRAG: A Flexible Modular Framework for Retrieval-Augmented Generation based on Knowledge Graphs | 2025 · 2501.09957 · PDF | 从查询估计推理跳数及复杂度,再使用匹配的关系路径检索流程。 | 强调模块化、灵活性和资源使用;主要是给定 KG 场景。 |

| 32. G³RAG — Beyond Similarity through Zero-Token Geometric Graphs for Multi-Hop RAG | 2026 · 2609.19622 · PDF | 直接由文档表示构图,以几何增益和拓扑惩罚发现互补证据并抑制枢纽。 | 重要的文档图对照;zero-token 指离线构图不调用 LLM,不等于零计算成本。 |

| 33. LogicRAG — You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures | 2025 · 2508.06105 · PDF | 推理时将子问题组织为依赖 DAG,按拓扑顺序检索,并剪除冗余结构和上下文。 | 图是问题的推理结构,区别于语料的预构索引;arXiv 页面注明 AAAI 2026 接收。 |

| 34. EraRAG — EraRAG: Efficient and Incremental Retrieval Augmented Generation for Growing Corpora | 2025 · 2506.20963 · PDF | 利用分层图和 LSH 等组织方式局部插入新增文档,减少全量重建。 | 动态性针对语料更新,与单个查询内的结构演化不同。 |

| 35. FuseRAG — FuseRAG: Fusing Structure and Evidence into Inference for Cost-Efficient Graph-based RAG | 2026 · 2610.22818 · PDF | 分离可复用的证据内容与查询相关的结构交互,以潜在表示注入 decoder attention。 | 关注图结构的传递和证据复用,控制对象已超出纯文档排序。 |

12.2.F 高阶关系、超图与工作记忆

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 36. HGRAG — Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering | 2025 · 2508.11247 · PDF | 实体作为节点、段落作为超边,融合实体和段落语义,通过超图扩散检索。 | 与你的实体–文档聚合最接近的结构对照之一;需看与二部图实现的关系。 |

| 37. Cog-RAG — Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation | 2025 · 2511.13201 · PDF | 以主题超图和实体超图建模全局主题与局部高阶关联,执行两阶段检索。 | 强调全局主题约束下的细粒度召回与扩散。 |

| 38. HGMem — Improving Multi-step RAG with Hypergraph-based Memory for Long-Context Complex Relational Modeling | 2025 · 2512.23959 · PDF | 让工作记忆中的事实与思路逐步形成高阶交互,以指导下一轮推理和检索。 | 相邻记忆路线:演化的是推理中的工作记忆,不必等同于语料 KG。 |

| 39. PRoH — PRoH: Dynamic Planning and Reasoning over Knowledge Hypergraphs for Retrieval-Augmented Generation | 2025 · 2510.12434 · PDF | 结合局部超图感知规划、动态子问题 DAG 与实体重叠引导的超边路径检索。 | 将知识表示和推理计划同时结构化,可与静态超图检索比较。 |

12.2.G 时间演化与多模态 GraphRAG

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 40. T-GRAG — T-GRAG: A Dynamic GraphRAG Framework for Resolving Temporal Conflicts and Redundancy in Knowledge Retrieval | 2025 · 2508.01680 · PDF | 结合时间戳图、时间查询分解、多层检索与原文提取,处理时序歧义与冗余。 | 时间约束可能改变证据有效性,不能只按语义相关度聚合。 |

| 41. TG-RAG — RAG Meets Temporal Graphs: Time-Sensitive Modeling and Retrieval for Evolving Knowledge | 2025 · 2510.13590 · PDF | 构建时间 KG 与层级时间图,支持时间范围检索、多粒度摘要及增量更新。 | 不是前一行 T-GRAG 的同一论文;额外关注持续更新成本。 |

| 42. RAG-Anything — RAG-Anything: All-in-One RAG Framework | 2025 · 2510.12323 · PDF | 通过双图组织跨模态关系与文本语义,以结构导航配合语义匹配检索。 | 把证据单元从纯文本扩到图像、表格及公式。 |

| 43. MMGraphRAG — MMGraphRAG: Bridging Vision and Language with Interpretable Multimodal Knowledge Graphs | 2025 · 2507.20804 · PDF | 用场景图细化视觉内容,与文本 KG 联合组织,通过跨模态链接和路径检索回答。 | 观察视觉实体与文本实体的连接是否保留推理链。 |

| 44. Hyper-M2RAG — Hypergraph-based Multimodal Retrieval-Augmented Generation with Incremental Refinement | 2026 · 2608.16628 · PDF | 用超边容纳文本、图像和表格的多方关联,并围绕跨页锚点做局部增量细化。 | 补充跨页知识断裂与精细证据重构问题。 |

| 45. VizRAG — VizRAG: Enhancing Retrieval-Augmented Generation with Hypergraph Visualization | 2026 · 2607.19830 · PDF | 将超图结构视觉化并交给多模态模型,研究视觉结构提示对回答的作用。 | 改变证据呈现接口;需要把视觉理解增益与检索增益分开。 |

12.2.H 评测、归因与知识不完整

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 46. Unified analysis — In-depth Analysis of Graph-based RAG in a Unified Framework | 2025 · 2503.04338 · PDF | 在统一实验框架中比较代表性图 RAG 方法,并分析具体与抽象问题的表现。 | 适合统一 benchmark 工程参考;组件和设置差异是结论的重要前提。 |

| 47. Unbiased evaluation — How Significant Are the Real Performance Gains? An Unbiased Evaluation Framework for GraphRAG | 2025 · 2506.06331 · PDF | 分析题目与语料的不相关性及 LLM 评判偏差,提出图文落地题目与评测流程。 | 注意问题生成和答案评价对所谓增益的影响。 |

| 48. What breaks KG-RAG — What Breaks Knowledge Graph based RAG? Empirical Insights into Reasoning under Incomplete Knowledge | 2025 · 2508.08344 · PDF | 构造知识不完整的推理评测,考察直接检索、推理、模型记忆和匹配口径。 | 与你计划的删边与旁路发现数据集有关,但 KGQA 不等同于文档中的科学发现。 |

| 49. Incomplete-KG evaluation — Evaluating Knowledge Graph Based Retrieval Augmented Generation Methods under Knowledge Incompleteness | 2025 · 2504.05163 · PDF | 通过不同三元组移除方式,评估 KG 不完整对检索问答的影响。 | 与前一行存在明显作者和问题连续性,应连读,不视为独立研究方向。 |

12.2.I 相关的领域知识与任务分解路线

| 编号与论文原题 | 年份 / arXiv / PDF | 方法抓手 | 与当前研究的关系及边界 |

|---|---|---|---|

| 50. PIKE-RAG — PIKE-RAG: sPecIalized KnowledgE and Rationale Augmented Generation | 2025 · 2501.11551 · PDF | 以知识原子化和知识感知任务分解构建逐步 rationale,应对专业领域复杂任务。 | 相关 RAG 管线参考,不把其所有设计都归为狭义 GraphRAG。 |

12.3 对前一版研究脉络的补充

以下是阅读后的综合归纳,不是首创性或优先权认定。

| 已有问题 | 新条目进一步强调的问题 | 对应工作 |

|---|---|---|

| 检索器能否找到相关实体和文档? | 生成目标能否直接训练检索器,避免检索与回答目标错位? | UniGFM-RAG、TaLenT |

| 训练检索策略需要什么监督? | 如何将结果奖励变成可用于中间状态或步骤的学习信号? | GraphFlow、ProGraph-R1 |

| 查询驱动传播是否优于固定扩散? | 查询对种子、边、传播步骤和累积证据分别怎样起作用? | QAFD-RAG、Query-aware spreading activation、FlowRAG、EAGR |

| 已检索证据能否推动下一轮? | 同时演化 query 与 subgraph、或在隐式图中改变探索方向,分别解决什么问题? | ToG-3、CoG、GraphSearch、EAGR |

| 当前证据是否充分? | 充分性是用于停止、允许传播、补原文,还是逐项满足证据需求? | A2RAG、C2RAG、LineageRAG |

| 结构表达是否丰富? | 实体中介是否必要,段落超边和纯文档图能否同样支持互补发现? | HGRAG、HopRAG、G³RAG |

| 预构图是否准确? | 能否直接用下游功能效用训练构图器,或让 agent 动态编辑图? | AutoGraph-R1、EvoGraph-R1 |

| 模型能否迁移到新图? | 固定检索器在 schema-guided 与 OpenIE 等不同构图方式之间是否可迁移? | ArcRAG |

| 选对证据是否就够了? | 证据怎样接入 LLM、保留结构并支持复用? | UniGFM-RAG、FuseRAG、VizRAG |

| 回答正确是否代表证据链正确? | 能否检查来源语句如何组合、是否存在抽取错误或模型记忆替代推理? | GraphRAGProv、What breaks KG-RAG、Unbiased evaluation |

尤其需要区分三种“充分性”:A2RAG 的控制器判断、C2RAG 的传播与文本恢复判断、LineageRAG 的需求对应来源落地。它们与“标注支持文档全部召回”并非同一个定义,也不能直接互换指标。

12.4 与 GNN + Entity–Document Aggregation 最相关的优先阅读

| 优先层次 | 论文 | 建议带着阅读的问题 |

|---|---|---|

| 先对齐主框架 | UniGFM-RAG | 文档节点如何评分?连续图前缀与原文分别提供什么?答案损失怎样影响检索? |

| 先对齐主框架 | FlowRAG、HGRAG | 实体与段落信号怎样双向衔接?多粒度匹配是否弥补种子与聚合的信息损失? |

| 先对齐传播与状态 | QAFD-RAG、ToG-3 | 传播中的查询语义,与随证据演化的查询状态,有什么不同? |

| 再看学习信号 | GraphFlow、ProGraph-R1 | 中间状态价值、检索进展和最终答案奖励如何关联? |

| 再看证据缺口 | LineageRAG、A2RAG、C2RAG | 如何表示尚未满足的需求、决定继续检索并从原文恢复信息? |

| 再看结构的训练 | AutoGraph-R1 | 什么样的图对下游任务有用,能否从任务反馈中学习? |

| 最近新稿补读 | EAGR、ArcRAG | 显式图与查询改写是否必要?构图方式改变时,检索器如何保持有效? |

这些论文采用不同数据、监督和知识形态,不能仅凭方法描述就认定谁覆盖了谁,也不能把它们当作已经完成的创新性排查结论。

12.5 名称、任务与版本的易混点

  • GraphFlow:本附录第 4 项的策略与流估计学习方法;FlowRAG:第 12 项的多粒度图流检索。二者也不等同于你自己的 QueryFlow。

  • GraphSearch:本附录采用 2509.22009 的 GraphRAG 双通道搜索。另有 2601.08621 的同名工作,主要研究零样本节点分类与链路预测,没有混入本表。

  • HyperRAG:本附录采用 2602.14470 的多元事实超图推理版本;不与 2504.02921 的 reranker KV-cache 复用方法混淆。

  • STAR:本附录采用 2605.18765 的 semantic-tuned / tail-adaptive 方法;不与其他同名或大小写近似的结构重排方法合并。

  • T-GRAG 与 TG-RAG:分别对应 2508.01680 和 2510.13590,是不同论文。

  • 第 48、49 项有显著作者与问题连续性。保留两个不同 arXiv 条目是为了追踪同一研究线的推进,不将它们解释成两个互不相关的创新方向。

  • LogicRAG 的图主要表达问题分解后的逻辑依赖;HGMem 的图表达推理中的工作记忆;二者都不同于固定语料的实体索引图。

  • BridgeRAG 是训练免费、无显式图的相关对照,PIKE-RAG 是相关专业知识 RAG 管线。收录它们是为了比较问题解决方式,不把所有条目都定义成同一种狭义 GraphRAG。

12.6 检索与证据边界

本轮先用 Semantic Scholar 发现线索,再用 arXiv 原页或指向 arXiv 的一手检索记录核对标题、编号与摘要。对页面直接读取受限的部分条目,使用 arXiv 同域检索记录定位,不声称已阅读全文。仅有二手描述或 S2 线索、尚未核到 arXiv 摘要的候选没有进入本表。

S2 采用 2025–2026 年份筛选,组合查询为:

GraphRAG | "graph-based retrieval" | "graph retrieval" | HyperRAG | HGRAG | NodeRAG | "graph memory"

分别按引用数和发表日期排序,各成功返回 120 条;另以 query-conditioned graph retrieval evidence completion 成功返回 40 条。三组共 280 条,按 paperId 去重后 276 条。第四组 RL 相关 relevance 请求在重试后仍被限流,未计入返回数量;另通过主题与标题检索补充候选。

arXiv 批量元数据接口本次也遇到限流,因此本表依赖逐项原页/同域检索摘要核对,未使用失败的批量请求推断任何元数据。数字 276 是发现阶段的记录数,不是最终 GraphRAG 论文总量;50 是本附录选入的新增 arXiv 条目数,也不代表对该时期研究的穷尽覆盖。

本轮没有将新稿的低引用量作为排除条件,没有把摘要中的领先性表述当作独立验证结论,也没有新增跨论文性能数值排行榜。