The Answer Path and the Grounding Instruction in LLM Question Answering over Knowledge Graphs
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。