RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM
RAGU：多步GraphRAG引擎与紧凑领域适配LLM
🧭 GraphRAG引擎优化 · 轻量模型
ITMO University · Novosibirsk State University · Far Eastern Federal University
将知识图谱构建拆分为抽取与整合两步，用7B语言模型超越32B模型，实现更完整的证据检索
📌 工作参考价值
- 知识图谱构建流水线可复用：两阶段有类型实体抽取 + DBSCAN 去重 + LLM 摘要 + Leiden 社区发现，适合电商商品库、搜索日志构建结构化知识图谱。
- 业务专属轻量模型思路：任务所需的语言技能（理解、抽取、推理）随参数增长有限，可针对性地训练 7B 模型替代大模型，降低成本与延迟，适用于线上抽取 pipeline。
- 多跳检索的完整性验证：GraphRAG 在医学领域取得证据召回 0.84，可迁移至电商多条件筛选或推荐解释场景，确保检索覆盖所有相关事实片段。
- 工程化参考：开源、pip 安装、单 GPU 运行，易于集成到现有 RAG 系统中，可直接作为商品问答、内容推荐的 GraphRAG 基座测试效果。
动机
现有 GraphRAG 系统一次性地用 LLM 从文档中抽取实体和关系，知识图谱噪声大、实体重复，损害检索鲁棒性。
方法关键点
RAGU 将图谱构建分成抽取与整合两个阶段：
- 两阶段有类型实体抽取——先识别实体粗类型，再细粒度抽取；
- DBSCAN 向量聚类去重；
- LLM 摘要合并重复实体描述；
- Leiden 算法检测社区，用于检索时图遍历。
作者发现图谱构建所需的语言技能（理解、抽取、上下文推理）随模型规模增长微弱，于是训练了 7B 规模、领域适配的 Meno-Lite-0.1 模型，专门强化这些语言能力。
关键结果
- 在知识图谱构建任务上，Meno-Lite-0.1 的调和平均值比 Qwen2.5-32B 高 12.5%（相对提升）。
- 在 GraphRAG-Bench（医学）上，RAGU 在每个事实层级都取得最高证据召回率（最高 0.84，对比其他方法 ≤0.76），并在综合任务上超越 HippoRAG2。
- 整套系统可单 GPU 运行，pip 安装，MIT 开源。