GGraphRAG 文献图谱自动同步
LIT-EE5E17F4 · 2026

ArcRAG: Agentic Compositional Retrieval over Knowledge Graphs

把“检索器必须配合自己的构图方式”作为可检验假设,尝试在查询时诱导局部图接口,并以构图无关的方式规划和修复多跳 Cypher 检索。

PDF 级阅读卡优先级 P0Jyotin Goel, Abhinav Arun, Tejas Prakash Agarwal, Bhaskarjit Sarmah, Stefano PasqualiarXiv
内容状态:PDF 级阅读卡。结构化摘录继承当前知识库的来源等级;具体 claim 应回到一手论文核验。

研究问题与动机

大多数 GraphRAG 检索器和自己的构图管线一起设计:节点类型、关系词汇、边方向、来源字段和查询操作都写死在系统里。论文把这个耦合改写成 portability 问题:同一个检索系统能否在构图方式改变时仍工作?ArcRAG 通过每个问题临时诱导局部图接口,让系统先探索目标实体附近实际存在的标签、关系和属性,再规划可执行的多跳 Cypher。

  • 局部接口诱导是否依赖实体链接和 schema 描述质量?
  • 固定配置的“构图无关”比较是否真正控制了图规模、边密度和来源 provenance?
  • retry/pass 预算增加时,修复成功与错误路径扩散如何权衡?

方法与机制

实验在相同 MuSiQue、HotpotQA、TriviaQA 语料上冻结两类图:

  • FinReflectKG:schema-guided typed graph,逐 chunk 抽取 triple,再用 reflection 检查来源忠实度;关系集合封闭,有 chunk provenance。
  • HippoRAG OpenIE:开放信息抽取图,关系是自由文本,实体通过 embedding synonym edge 连接,图是全语料叠加,缺少 chunk provenance。

ArcRAG 的运行链为 explore → plan → generate → synthesize:先以问题实体为 anchor 做只读局部 Cypher 探索,得到 query-local interface;Planner 生成有限个子计划;Generator 将子计划编译为只读 Cypher,遇到空结果、未绑定变量等错误时在预算内修复;最后把 witness 子图/来源行交给回答器。若答案证据不足,系统生成 follow-up query,开启下一轮探索。代码固定查询格式、验证、错误判定和各类预算,LLM 只决定局部关系、路径、子计划和是否继续。

证据与结果

论文不提供 gold passage、gold entity 或 gold hop count。MuSiQue 最多四跳,HotpotQA 主要两跳,TriviaQA 主要单跳,后者作为少量遍历需求的控制。主指标是 EM,另报告 token F1;另以 100 题分层样本做 retry/pass、exploration 和 planning 消融。

  • 加入 Explorer 后,在所有测试的 18 个 retry/pass 设置中都超过只生成 Cypher 的 Generator;五次 retry、五次 pass 时,FinReflectKG 最佳配置达到 88.0%,OpenIE 图达到 74.0%,而单次 Direct-Cypher 为 12.0% 和 6.0%。
  • 统一配置跨构图迁移时,FinReflectKG 为 MuSiQue 44.0 EM、HotpotQA 74.5 EM、TriviaQA 87.9 F1;OpenIE 图为 38.0 EM、65.5 EM、71.6 F1。接口诱导提供了 portability,但没有消除构图质量和 provenance 的绝对差异。
  • 与既有方法表格中的“最佳已报告数字”相比,ArcRAG 数字处于领先位置,但这些外部结果使用的模型、预算、评分和代码不同,不能视作受控 SOTA 比较。

局限与开放问题

  • 只比较两类差异很大的 LLM 抽取图,不能推出对 curated ontology、不同节点粒度或更多 schema 的迁移结论。
  • 两种图同时改变结构和 provenance,准确率差距无法分离构图差异与来源字段差异。
  • 每个配置只运行一次,回答器温度为 1.0,并由模型判断证据是否充分,运行方差没有量化。
  • 结果使用公开 QA 和大模型回答器,参数知识可能贡献绝对分数;可执行 witness 说明查询如何到达答案,不等于 claim-level attribution 或领域可靠性。
  • 探索/规划增加 LLM 调用,消融控制 retry/pass 而非总成本;后续应报告成本匹配的迁移曲线。

关联与拓展

  • 对应 Q2/Q4/Q5:把图构建与检索策略的耦合拆成“绝对性能受构图影响”与“检索器是否可迁移”两个问题。
  • 与 GraphRAG-Router 不同:ArcRAG 研究构图变化下的检索接口,Router 研究后端和生成器路由。
  • 与 LEGO-GraphRAG 的模块化视角可对读,但不能把摘要级 portability 当成跨领域泛化证明。

研究问题入口

Q2 图构建与表示, Q3 证据检索与集合形成, Q4 查询规划与执行, Q6 证据来源与可解释性, Q8 效率与部署

展开原始论文笔记全文

基本信息

  • arXiv:2611.06481v1,2026-11-04。
  • 作者:Jyotin Goel 等。
  • 证据级别:已阅读 arXiv PDF v1;结果和限制均按论文协议记录,未在本库独立复现。

一句话定位

把“检索器必须配合自己的构图方式”作为可检验假设,尝试在查询时诱导局部图接口,并以构图无关的方式规划和修复多跳 Cypher 检索。

研究问题与动机

大多数 GraphRAG 检索器和自己的构图管线一起设计:节点类型、关系词汇、边方向、来源字段和查询操作都写死在系统里。论文把这个耦合改写成 portability 问题:同一个检索系统能否在构图方式改变时仍工作?ArcRAG 通过每个问题临时诱导局部图接口,让系统先探索目标实体附近实际存在的标签、关系和属性,再规划可执行的多跳 Cypher。

构图与检索流程

实验在相同 MuSiQue、HotpotQA、TriviaQA 语料上冻结两类图:

  • FinReflectKG:schema-guided typed graph,逐 chunk 抽取 triple,再用 reflection 检查来源忠实度;关系集合封闭,有 chunk provenance。
  • HippoRAG OpenIE:开放信息抽取图,关系是自由文本,实体通过 embedding synonym edge 连接,图是全语料叠加,缺少 chunk provenance。

ArcRAG 的运行链为 explore → plan → generate → synthesize:先以问题实体为 anchor 做只读局部 Cypher 探索,得到 query-local interface;Planner 生成有限个子计划;Generator 将子计划编译为只读 Cypher,遇到空结果、未绑定变量等错误时在预算内修复;最后把 witness 子图/来源行交给回答器。若答案证据不足,系统生成 follow-up query,开启下一轮探索。代码固定查询格式、验证、错误判定和各类预算,LLM 只决定局部关系、路径、子计划和是否继续。

评测设置与主要结果

论文不提供 gold passage、gold entity 或 gold hop count。MuSiQue 最多四跳,HotpotQA 主要两跳,TriviaQA 主要单跳,后者作为少量遍历需求的控制。主指标是 EM,另报告 token F1;另以 100 题分层样本做 retry/pass、exploration 和 planning 消融。

  • 加入 Explorer 后,在所有测试的 18 个 retry/pass 设置中都超过只生成 Cypher 的 Generator;五次 retry、五次 pass 时,FinReflectKG 最佳配置达到 88.0%,OpenIE 图达到 74.0%,而单次 Direct-Cypher 为 12.0% 和 6.0%。
  • 统一配置跨构图迁移时,FinReflectKG 为 MuSiQue 44.0 EM、HotpotQA 74.5 EM、TriviaQA 87.9 F1;OpenIE 图为 38.0 EM、65.5 EM、71.6 F1。接口诱导提供了 portability,但没有消除构图质量和 provenance 的绝对差异。
  • 与既有方法表格中的“最佳已报告数字”相比,ArcRAG 数字处于领先位置,但这些外部结果使用的模型、预算、评分和代码不同,不能视作受控 SOTA 比较。

局限与开放问题

  • 只比较两类差异很大的 LLM 抽取图,不能推出对 curated ontology、不同节点粒度或更多 schema 的迁移结论。
  • 两种图同时改变结构和 provenance,准确率差距无法分离构图差异与来源字段差异。
  • 每个配置只运行一次,回答器温度为 1.0,并由模型判断证据是否充分,运行方差没有量化。
  • 结果使用公开 QA 和大模型回答器,参数知识可能贡献绝对分数;可执行 witness 说明查询如何到达答案,不等于 claim-level attribution 或领域可靠性。
  • 探索/规划增加 LLM 调用,消融控制 retry/pass 而非总成本;后续应报告成本匹配的迁移曲线。

与本知识库的连接

  • 对应 Q2/Q4/Q5:把图构建与检索策略的耦合拆成“绝对性能受构图影响”与“检索器是否可迁移”两个问题。
  • 与 GraphRAG-Router 不同:ArcRAG 研究构图变化下的检索接口,Router 研究后端和生成器路由。
  • 与 LEGO-GraphRAG 的模块化视角可对读,但不能把摘要级 portability 当成跨领域泛化证明。

进一步研究问题

  • 局部接口诱导是否依赖实体链接和 schema 描述质量?
  • 固定配置的“构图无关”比较是否真正控制了图规模、边密度和来源 provenance?
  • retry/pass 预算增加时,修复成功与错误路径扩散如何权衡?

证据边界

以上流程、构图规模、消融和迁移结果来自已阅读的 arXiv PDF v1。表 4 的既有方法比较是作者收集的最佳已报告结果,不是同一协议下的重新运行;ArcRAG 的跨构图数字也没有在本库独立复现。