TechGraphRAG: An Agentic Graph-Augmented RAG Framework for Technical Literature Reasoning
TechGraphRAG：面向技术文献推理的智能体图增强RAG框架
🧭 Agentic RAG · 多源检索与证据充分性评估
The Goodyear Tire & Rubber Company
提出13步证据门控的智能体RAG流水线，自主评估证据充分性并动态调用外部学术搜索与知识图谱，实现领域文献的可靠推理
📌 工作参考价值
- 证据充分性自动评估与门控机制：可迁移至电商客服知识库问答中，当本地检索文档相关性不够时，自动触发外部商品手册或政策数据库搜索，避免在低质量上下文上强行生成答案。
- 混合检索与交叉编码器重排序的组合：在商品推荐或智能搜索场景中，将语义向量检索与关键词匹配按RRF融合后，再经交叉编码器精排，可显著提升长尾查询下的相关性，适合直接引入生成式推荐的候选池。
- 知识图谱结构化关系用于增强回答可解释性：在Agent多智体协作中，构建产品、参数、使用场景等实体图谱，利用图遍历提供关系上下文，使推荐理由可溯源到权威文档或已购用户评价，增强决策可信度。
- 自纠正生成循环与引用验证：可借鉴其“生成后质量检查并自动重生成一次”的思路，在多轮对话推荐中，由小模型检验推荐理由是否基于事实、是否遗漏关键表格数据，提升端到端回答的准确性。
动机
在大规模领域专业文献（如智能轮胎、车辆动力学）中，传统单步RAG无法判断检索证据是否充分，也无法动态补充外部学术资源，导致技术在回答专业问题时可能遗漏重要信息。该工作旨在构建一个能自主评估证据质量、在证据不足时自动搜索外部数据库并遍历知识图谱的智能体RAG系统，为工程师和研究人员提供可追溯、可验证的文献推理支持。
方法关键点
- 13步智能体流水线：分为证据收集循环与答案生成验证循环，覆盖查询意图分类、重写、混合检索、证据充分性评分、智能体重试、外部学术搜索、LLM筛选、知识图谱遍历、引用验证、质量检查等环节。
- 多维度证据充分性评分（100分制）：五维度（检索置信度40分、答案具体性25分、来源多样性15分、元数据完整性10分、时效性10分）加相关性阻尼与LLM复核，自主决策采用STRONG/MODERATE/WEAK三种策略。
- 智能体重试与外部学术搜索：证据不足时，基于检索缺失概念生成带漂移守卫的重写查询；结合意图分类（内容/文献计量/趋势/现实世界）执行路由依赖的外部API搜索（Crossref, OpenAlex, Semantic Scholar），采用优化-搜索-审查-重写循环。
- Neo4j知识图谱：离线通过LLM提取论文、作者、主题、方法、引用等实体，经OpenAlex作者验证和内部引用解析构建，查询时提供相关论文、共引遍历和作者查询，补充向量/关键词检索无法捕获的结构关系。
- 自纠正生成：生成后由小模型检查回答是否回应问题、引用是否正确、是否存在幻觉，发现问题自动重生成一次。
关键结果
在6条测试查询（内容、文献计量、现实世界各2条）上，意图分类全部正确（6/6），所有答案通过自动质量检查且无需重生成；内容类查询证据评分68–81，准确区分强/中等覆盖率；智能体重试在最低分查询上触发并提升覆盖；全网成本约$0.0045/查询，延时10~22秒。消融实验表明，混合检索后加入交叉编码器重排序使P@5从0.66提升至0.74，全流水线P@5达0.78。
最值得记住的一句话
“核心贡献不是一个新检索模型，而是一个证据门控的智能体架构，将混合检索、图遍历、外部学术搜索、引用验证与答案质量控制编排成可复现的领域文献推理工作流。”