一句话理解
很多 GraphRAG 论文表面上是在做图检索,实质上是在做 query planning:先判断问题是什么结构,再决定去哪搜、搜多深、沿什么结构搜、何时停止、怎么把多步结果重新组合。
为什么这个视角重要
- 如果把 GraphRAG 只看成“图版检索器”,很多方法差异会显得杂乱。
- 如果把它看成 query planning,就能统一理解:
- traversal strategy
- query decomposition
- iterative retrieval
- tool selection
- query execution
什么叫 query planning
在这里,一个 query plan 至少包含四个决定:
- 选择起点 从哪些 seed nodes / passages / entities 开始。
- 选择动作 扩展邻居、走路径、切换层级、调用工具、执行子查询。
- 选择终止 什么时候停止扩展或停止迭代。
- 选择组合 如何把多条路径、多轮结果、多种证据融合成最终上下文。
为什么 GraphRAG 天然会走向规划
1. 图让“动作空间”显式化了
- 在普通 RAG 中,动作通常只是“再检一批文档”。
- 在 GraphRAG 中,动作会变成:
- 走哪条边
- 扩哪一层节点
- 取哪个社区
- 是否切换到 query execution
2. 多跳问题本质上不是匹配,而是分解
- 一个复杂问题通常不能靠一次 similarity search 解决。
- 它往往需要拆成若干中间子问题。
- 这已经很接近 classical planning 或 database query optimization 了。
当前知识库里最典型的四条 planning 路线
1. 显式路径规划
- 代表:RoG---Reasoning-on-Graphs、Think-on-Graph-ToG
- 特点: 直接把推理链看成需要规划出来的 relation paths。
2. 模式分类 + 遍历策略选择
- 代表:PolyG
- 特点: 先识别问题属于哪种 pattern,再决定 traversal strategy。
3. Query execution 视角
- 代表:UltRAG
- 特点: 不把图看成“找一些 triples 给 LLM”,而是把图看成需要执行的查询环境。
4. Agentic iterative planning
GraphRAG 作为 query planning,有三个直接好处
1. 能解释为什么不同问题该用不同策略
- 并不是所有问题都该 BFS,也不是所有问题都该 agent search。
- 一些问题更适合:
- 局部路径检索
- 社区摘要
- 动态 evidence graph
- neural query execution
2. 能解释为什么静态索引不一定够
- 静态图索引解决的是“能不能查”;
- query planning 解决的是“对当前问题应该怎么查”。
3. 能解释 agentic GraphRAG 的真正价值
- agent 不只是“多调几次 LLM”;
- 它真正引入的是:
- planning
- replanning
- stopping
- trajectory control
这个视角也会带来新的理论问题
1. 规划错误和检索错误不是一回事
- 规划错误: 根本选错了搜索策略或子问题分解。
- 检索错误: 策略是对的,但具体 evidence 没召回来。
2. query plan 本身有成本
- 越复杂的 planning,越可能:
- latency 更高
- token 更多
- 容易偏航
3. “更灵活”不总是更好
- 完全自由的 agent planning 可能搜索空间过大;
- 太硬编码的 planning 又会失去泛化能力。
常见误区
误区 1:只有 agent 才算 query planning
误区 2:query planning 只影响效率
- 也不对。
- 它直接影响:
- evidence completeness
- reasoning faithfulness
- answer quality
误区 3:GraphRAG 比数据库查询更自由,所以没法形式化
- 其实恰恰相反。
- 很多 GraphRAG 方法越来越像:
- 图数据库查询规划
- 程序执行规划
- 有限动作空间的决策过程
如果要继续往深处做
- 能否把 GraphRAG query planning 写成统一的状态-动作-代价模型?
- 路径规划、社区规划、query execution 是否能统一到一套 planning language 下?
- 一个“好 plan”到底应优化 recall、faithfulness、cost 还是它们的组合?
相关笔记
这是一篇概念笔记,核心材料主要来自 PolyG、UltRAG、GeAR、Relink、Graph-R1 等现有笔记的综合。