SpectRAG：面向多跳 RAG 的加权块图与 token 预算上下文选择
🧭 RAG · 图检索 · 谱图上下文选择 ★ 深度解读
Mitsubishi Electric US · Mitsubishi Electric Innovation Center (MELIC) · Karabuk University
用加权块图的谱坐标与预算化选择，把 RAG 检索从 top-k 相似改成连通证据集优化，以更低索引成本提升多跳证据召回
📌 工作参考价值（4 点）
- 电商 RAG/购物助手：除文本相似外，把商品同款/互补、类目层级、共同属性、会话共现/共点击、query 改写关系作为边构建商品或内容 chunk 图；用 Laplacian 谱坐标做结构化特征，可在召回阶段纳入连通性，减少相似商品冗余，补回缺失的桥接属性/卖点。
- Token 预算选择直接用于 LLM 推荐解释、Agent 工具/知识上下文化：设定固定 token 预算，做 protected core + tail precision + backfill，而不是固定 top-k；按 token 长度归一化 utility，避免长 chunk 吃光预算。
- 混合种子 + 两跳扩展：用 RRF 融合向量、BM25、历史或生成式问题匹配，再沿图做两跳扩展，可找回多跳证据；适合售后/导购等需要跨产品、跨文档推理的场景。
- 成本与效果：chunk 级稠密图 + 谱特征比实体级 GraphRAG 索引小一个数量级且 recall 更高；生产上可离线缓存图与谱坐标，在线只做轻量扩展/PPR，避免每条 query 都调大模型抽实体。
GraphRAG 自动化富集分析：高效多数据库 ORA 提取与生物解释
🧭 GraphRAG 加速 ORA 并提升解释忠实度
Graduate School of Information Science and Technology, The University of Osaka, Japan · The First Affiliated Hospital of China Medical University, China
将多基因集库建成术语-基因知识图谱，用紧凑证据子图驱动 LLM 生成可溯源解释，查询提速 37 倍且忠实度最高 0.90
📌 工作参考价值（4 点）
- 多源标签整合：把商品属性、类目、场景、用户标签建成统一实体关系图，用共享实体连接分散的标签体系，便于跨源召回和解释。
- 证据子图检索：给 LLM 提供紧凑连通子图而非平铺 top-k 文档，可降低上下文噪音并提升推荐理由/广告文案生成的事实一致性。
- claim-level 忠实度评估：逐条校验生成声明是否被图谱边路径支撑，可作为 RAG/Agent 输出质量监控指标，适合落在 pipeline 里自动打分。
- 查询加速：图式预计算+子图检索相比逐库查询显著提速，可用于实时推荐解释或 Agent 工具检索的缓存设计。
非对称动态路由：平衡超图RAG中的推理深度与计算效率
🧭 查询自适应超图RAG路由
School of Software Engineering, Xi’an Jiaotong University · State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University · EHV Power Transmission Company of China Southern Power Grid Co., Ltd
提出意图条件路由框架ADR，用轻量分类器动态调度三种非对称拓扑遍历算子，减少48.7% token和45.3%延迟
📌 工作参考价值（4 点）
- 在电商知识问答/导购Agent中，对用户query做轻量意图分类：事实型查询（如“某商品材质”）走局部事实锚定，减少全图遍历；对比/推荐理由类查询走自底向上邻接扩散，获取关联实体；策略/选品建议类查询走自顶向下洞察接地，引入高层抽象知识。
- 可复用“非对称遍历算子”设计：不同意图对应不同图计算代价，避免静态RAG对所有查询执行同等深度检索，显著降低prompt token和端到端延迟，适合高并发在线推荐场景。
- 若已有商品知识图谱或用户-商品异构图，可参考ADR的层次路由思路：在召回/排序前置一个轻量分类器，动态决定图扩散深度与方向，平衡效果与算力，尤其利于边缘部署或成本敏感业务。
- 结果表明动态路由能在保持推理质量前提下节省近50% token，对依赖LLM做导购解释、推荐理由生成的业务，可降低API成本并提升响应速度。
LiteRAG：高效图检索增强生成方法
🧭 图 RAG 低成本高效检索
Universitat Rovira i Virgili
用查询条件算法探索替代检索时 LLM 控制，显著降低图 RAG 多跳问答延迟与成本
📌 工作参考价值（4 点）
- 在电商知识库/政策规则/商品图谱等多跳问答场景，可把图检索中的在线 LLM 遍历或总结改为查询条件驱动的确定性算法，先做子图探索再构造上下文，避免每 query 调大模型，显著降本。
- 上下文不要塞入整个相关子图，而是按证据链/推理链选择边和节点；用 query-adaptive thresholding 动态控制保留范围，能减少大量无效 token，尤其适合店铺/商品/规则相关问答。
- 对图谱中的高连接度 hub 节点（如平台总则、大品牌/大店铺）做 community-aware 惩罚，降低宽泛上下文对生成的干扰；在电商商品知识图谱或活动规则图谱里可借鉴。
- 对已经上线 GraphRAG 的团队，可先审计在线路径；把 LLM 从 query-time 关键路径移除，换为轻量算法，往往比换生成模型或复杂索引收益更大。
LLM 知识图谱问答中的答案路径与 grounding 指令
🧭 GraphRAG · 上下文构建与评估
Siemens Digital Industries Software
GraphRAG 中答案路径是否出现决定性能，grounding 指令在无事实时使 F1 降 8.63 倍；语法/顺序/大小无影响
📌 工作参考价值（4 点）
- GraphRAG 工程优先保证答案路径/关键事实的召回，而非上下文中全部三元组的精度：在固定三元组数量下替换非路径三元组为无关实体，F1 仅 +0.003，但缺失答案路径损失大部分图谱价值；检索预算应投高召回、允许低精度。
- 避免在 prompt 中加入“只使用提供的事实”这类 grounding 指令，除非确认所有必要事实都在上下文中：无事实时该指令使 F1 从 0.299 降到 0.035（8.63 倍）。在检索不完整的 RAG 场景中，此类严格限定会严重损害回答质量。
- 评估 GraphRAG 时注意实验公平性：若只对图谱上下文分支加 grounding 指令、不对无上下文基线加，会虚假得出“图谱上下文有害”结论；作者在自己的结果中发现并撤回。业务评估应统一指令设置。
- 错误子图不易被 LLM 察觉，知识库写入路径是提示注入攻击面；电商知识图谱（商品属性、活动规则）更新时需要校验来源，防止恶意或错误三元组污染回答。
LineageRAG：构建带来源锚定的证据谱系增强 GraphRAG
🧭 GraphRAG 多跳证据溯源与锚定
XiaoLab, Beijing University of Posts and Telecommunications · Xi'an Jiaotong University
为每个证据需求构建显式谱系并通过原文字段锚定来源，显著改善多跳检索与生成效果
📌 工作参考价值（3 点）
- 在电商知识图谱/商品属性图上做多跳推理时，可先将用户 query 拆成多个证据需求（如品类、属性、场景约束），并在图谱遍历中保留每个候选与需求的绑定关系，避免最终结果只覆盖部分意图。
- Agent 做多步检索/推荐解释时，可借鉴 lineage completion：用已检索片段的 provenance 选择互补证据，并强制对每个需求提供原文字段支撑，缺少支撑的需求触发补召回或降低置信度，从而提高可解释性和防幻觉能力。
- 工程上可把“需求初始化 → 需求条件检索 → 谱系补全 → 来源锚定”拆成独立模块，在电商 RAG pipeline 中输出带有引用来源的结构化证据链，便于 debug、评估和线上链路追踪。
证据引导的多跳图检索查询重构
🧭 RAG · 多跳图检索查询重构
Nanjing University of Information Science and Technology · Meituan
利用已检索证据生成残差查询，分离查询重构与图证据聚合，提升多跳检索 Recall@5 与 F1
📌 工作参考价值（4 点）
- 多跳检索中引入残差查询：在商品图谱问答或客服 RAG 中，初始 query 往往只指向第一跳实体，后续证据需要新查询补充。可仿照 EviReform，用已命中的商品/属性片段生成 residual query，针对尚未解决的信息需求定向检索，避免把所有证据混在一个 query 向量里。
- 分离查询修正与图聚合：不要每拿到新证据就重新编码整个 query 或图。工程上可以并行计算原始 query 和多个残差 query 的检索分数，分别归一化后加权融合，再在实体/商品关系图上传播。这样既保留原意图，又能灵活吸收中途证据。
- 利用语义证据引导图遍历：在商品知识图谱或内容关系图中，边权重可以结合当前已观察到的实体语义相似度，而非仅依赖静态关系。例如用户问“A 品牌手机续航如何”，先用 A 品牌手机命中节点，再根据该节点生成“电池容量/快充”残差查询，补充商品属性节点。
- 评估指标与成本意识：论文中 Recall@5 最高提升 5.59 点，说明少量残差查询即可带来显著收益。在业务中可控制每轮残差查询数量（如 1-3 个），平衡检索延迟与召回提升。
BM25在大规模上获胜：检索增强生成范式的扩展性研究
🧭 检索增强生成扩展性分析 ★ 深度解读
University of Science and Technology of China · Metastone Technology · Beijing Academy of Agriculture and Forestry Sciences
在450倍语料规模扩展实验中，BM25在大约1000万词元后全面超越文件系统Agent和图RAG，成为准确性最高且成本最低的默认检索方案
📌 工作参考价值（4 点）
- 大规模知识库推荐系统检索选型：在电商商品描述、客服知识库等百万级文档场景中，BM25应当被作为默认检索器，而不必盲目追求稠密检索或Agent搜索；BM25无需LLM构建索引，成本极低且准确率在大规模时反而领先。
- 搜索词/问题改写中的成本控制：File-System Agent在小规模（<1000万词元）时可获得最佳准确率，但其顺序探索导致查询成本为BM25的39倍以上；在广告搜索词推荐或用户问题重写中，应先通过全局关键词检索（如BM25）获得候选，再引入Agent推理，而不是全程依赖Agent遍历。
- 图索引构建的门槛评估：GraphRAG（如LightRAG、MS-GraphRAG）在构建阶段消耗极大，LightRAG在300万词元时已无法完成构建，且准确率始终不如BM25；在含有大量噪声、事实冲突的电商评价或客服记录中，图遍历更容易被语义干扰，应谨慎评估ROI。
- 评测设计的借鉴：论文通过固定问答集、固定对抗文档、仅增加背景语料的“嵌套语料梯”设计，可以迁移到搜索推荐系统的离线评估中，用于衡量模型在库存/内容膨胀时的鲁棒性，避免单一体量评估掩盖扩展性问题。
PAGE-RAG：基于投影感知自适应图检索的长文档问答
🧭 图增强检索 · 自适应路由
成都信息工程大学 · 北京航空航天大学
将图视为文档语义骨架，通过任务自适应路由和知识边界控制提升长文档问答的可靠性和效率
📌 工作参考价值（4 点）
- 自适应检索路由可用于电商多源知识问答：在商品知识库、政策文档等长文本场景，根据问题类型动态选择只查图、只查原文档或两者结合，平衡效率与质量，避免图检索的过度开销或信息遗漏
- 图作为语义骨架而非独立知识源：在构建商品属性图、类目关系图时，明确图仅是文档的辅助导航结构，最终答案仍需回源文档验证，可减少因图结构不完备导致的幻觉
- 知识边界控制机制可直接迁移：在客服Agent或商品推荐解释生成中，通过定义证据范围拒绝回答超出知识覆盖的问题，提升系统可信度，避免编造描述
- 检索行为显式路由：可启发在推荐/搜索中设计查询理解模块，动态选择不同检索策略（如稠密检索、图检索、混合检索），而非一刀切，提升长尾查询效果
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（4 点）
- 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。
自适应掩码图嵌入提升图检索增强生成效果
🧭 图检索增强生成对齐 · 自适应掩码预训练
OMRON Corporation · OMRON SINIC X Corporation
提出自适应掩码图嵌入AGE，通过可学习节点采样器避开关键节点对齐图与文本特征，显著提升GraphRAG问答准确率。
📌 工作参考价值（4 点）
- 在电商知识图谱问答或商品搜索中，可借鉴AGE的图嵌入对齐方法：用类似文本编码器的Transformer预训练图节点嵌入，与LLM文本空间对齐，提升GraphRAG检索召回。
- 可学习节点采样器识关键节点：对推荐场景中如品牌、类目等关键实体，自适应避免掩码它们，提高嵌入学习的鲁棒性，适合大规模商品图谱。
- 非参数搜索组件与冻结LLM结合，无需微调，降低部署成本，适合电商快速迭代和A/B实验。
- 图数据预处理阶段加入自适应掩码预训练，可作为召回或特征生成步骤，融入现有RAG流程，改善商品关联和语义理解。
不完整图谱证据下的LLM推理接地理论
🧭 LLM推理接地 · 不完整图谱证据
Tianjin Normal University · Harbin Institute of Technology
证明不完整图谱下硬约束无法同时保证拒假和保真，提出KL正则化软接地框架并给出稳定性边界
📌 工作参考价值（4 点）
- 电商知识图谱的软接地：商品关系图谱常不完备，应避免硬性剪枝。采用KL正则化软约束，保留未被观察但非矛盾的推理路径，防止丢弃正确的长尾关联。
- GraphRAG检索策略：在检索增强生成中，不必强制LLM完全忠实于检索到的子图。允许有限松弛可提高对缺失边的鲁棒性，避免因召回不足而拒真。
- Agent多跳推理的稳定性设计：当Agent基于动态图证据进行多步推理时，可利用稳定性边界评估证据扰动的影响，指导高频更新下的容错机制。
- 区分事实与声明：将图谱相容性视为“声明支持”而非事实真理，在广告文案生成或推荐解释中，可避免因信源不完整而误判正确输出。
基于 Token 共现图的轻量高效 GraphRAG 框架
🧭 Token 共现图高效 GraphRAG
Università Politecnica delle Marche, Ancona, Italy · Università di Modena e Reggio Emilia, Modena, Italy
用 token 滑动窗口共现构造 KG 取代 LLM 抽取，实现多跳推理 RAG 的索引与推理开销大幅降低
📌 工作参考价值（4 点）
- 电商搜索查询扩展：用滑动窗口统计商品标题或查询日志的 token 共现，低成本构建词项联系图，辅助召回阶段的 query 扩展或相关性特征，替代繁重的实体识别链路。
- 多轮交互式推荐：迭代实体驱动的检索策略可迁移至多轮对话推荐，从已召回商品或上下文抽取桥接属性（类目、品牌等）逐步精炼检索，提升复杂需求满足率。
- 长尾知识构建：在攻略、搭配推荐等场景，需要从多篇内容拼接证据，可借鉴无 LLM 的共现图快速索引文档段落，通过神经重排序确保证据链准确，同时控制在线推理延迟。
- 工程落地降本：方法省去了 LLM 抽取实体和关系的高频调用，索引时间、推理延迟和 prompt 长度显著降低，适合对成本和延迟敏感的生产环境直接复用。
图神经网络跨领域应用：全貌与核心洞见
🧭 GNN应用综述 · 部署关键约束
Computer Science and Applied Mathematics Laboratory (LIMA), Chadli Bendjedid University
一份跨越12个应用领域的GNN调查，揭示部署关键限制与设计选择真实收益
📌 工作参考价值（4 点）
- 构图成本与收益权衡：在电商推荐中，用户-商品二部图构造和维护成本高，应先评估简单基线（如LightGCN）是否已足够；异配性普遍存在（如商品共现与用户社交混合），复杂GNN反而可能被简单模型反超。
- 时序图增量更新优先：用户行为序列本质是时序图，但时态GNN在部署中难度大，工程上可优先采用流式增量更新与高效序列特征抽取，避免引入重型时态建模。
- 避免领袖榜陷阱：公共基准上SOTA的GNN架构在真实推荐场景中常因鲁棒性、延迟和分布偏移而失效，必须用自有业务数据严格测试，并重视过平滑、过挤压、公平性等部署级约束。
- LLM集成保持谨慎：将GNN与LLM结合（如GraphRAG做商品知识增强）目前证据仅为暗示性，可从轻量化的文本构图（如商品描述相似度图）起步，逐步验证知识注入效果。
GraphRAG 是否必要？RAG 方案对比与上下文优化
🧭 RAG 方案对比与上下文优化
Generative AI Innovation Center, Amazon Web Services (AWS) · Cisco Systems, Inc.
系统对比 9 种 RAG 场景并提出上下文工程方法，token 用量降低 19%-53%，揭示检索-生成差距
📌 工作参考价值（4 点）
- 上下文工程技巧：提出的混合文本-图检索与 Agent 循环设计可复用，尤其适合电商知识库问答中的长上下文管理，避免 KV cache 膨胀，直接用于客服或导购 Agent 的 memory 控制。
- 检索-生成差距洞察：业务上不要盲目叠加复杂检索（如图谱扩展），应先评估生成端真实增益；在推荐理由生成、商品属性问答等场景中，用生成质量（而非召回率）作为最终优化指标。
- GraphRAG 适用边界：半结构化知识（如商品图谱、品牌关系）用 GraphRAG 能提升一致性，但需注意短期用户交互场景可能用轻量 Modular RAG 更经济。建议按查询复杂度分流：简单事实查询走基础 RAG，多跳推理走 Agentic-GraphRAG。
- Agent 与图谱集成模式：在电商智能导购中，可将商品数据构建为预定义 KG，通过 Agent 多轮规划调用图谱查询与文本检索，实现精准商品推荐与属性解释，文中 Agent-Graph 集成方案可直接参考。
MemGraphRAG：基于记忆的多智能体图检索增强生成
🧭 多智能体协同 · 图检索增强生成 ★ 深度解读
Xiamen University · Jilin University
用三层全局记忆与多智能体协同消除知识图谱构建中的局部噪声与冲突，实现高精度低延迟的图检索增强生成。
📌 工作参考价值（4 点）
- 知识图谱自动化清洗与一致化：电商商品知识图谱常因多渠道爬取导致属性冲突（如价格、规格矛盾），可借鉴记忆层冲突检测‑证据比对‑裁决的多 Agent 闭环，自动合并冗余、修正错误三元组。
- 全局主题过滤防止无关抽取：在构建推荐或问答用知识图谱时，设定 Schema 频率阈值过滤低频噪音，避免局部抽取引入偏离主商品类目的 off‑topic 事实，提升图谱信噪比。
- 结构感知的检索初始化：处理包含海量类目节点的商品图谱时，对高连通度的“类目”节点使用 log‑degree 惩罚初始化，防止 PPR 传播时重要性被泛化节点稀释，确保多跳推理聚焦于具体商品实体。
- 分层记忆检索范式：在生成式推荐或对话中，可按本体 → 事实 → 文本段落逐层召回、过滤，先匹配类目与属性范式再定位具体商品与评论文本，兼顾粗粒度的语义约束与细粒度的证据支撑。
消费级硬件上的GraphRAG：本地部署LLM医疗EHR schema检索评测
🧭 GraphRAG本地部署可行性评估
California Polytechnic State University
在8GB消费GPU上评测GraphRAG，发现7B以下模型无法完成管道，本地检索优于全局摘要
📌 工作参考价值（4 点）
- 图谱RAG部署时，模型参数最好≥7B，否则结构化输出不稳定，易导致管道失败；对电商知识图谱等应用，选型要避开过小模型。
- 本地检索（local retrieval）在延迟和事实准确性上均优于全局摘要，且幻觉更少，适合电商实时问答或隐私敏感场景，可优先采用。
- 知识图谱实体丰富度与最终答案质量解耦，评估时需分开关注索引和生成阶段，不能仅凭图谱规模选模型。
- 消费级GPU（8GB VRAM）足以运行GraphRAG全管道，为中小团队本地化部署生成式搜索或推荐系统提供了成本可行的参考。
为什么邻域重要：Agentic GraphRAG 中的遍历上下文与溯源
🧭 RAG ★ 深度解读
University of Southern Denmark
发现 Agentic GraphRAG 中最终引用实体虽必要却不充分，答案还依赖未引用的遍历上下文与图结构