WebWalker: Benchmarking LLMs in Web Traversal
Alibaba Group(阿里巴巴集团)
针对传统搜索引擎检索内容浅显限制LLM处理复杂信息的问题,提出WebWalkerQA基准及多智能体框架WebWalker,通过探索-评估范式模拟人类网页导航,实验证明其结合RAG在真实场景中有效。
2025-08-10 cs.AI cs.CL
HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs
University of California, Merced(加州大学默塞德分校)
研究针对RAG系统在处理结构化知识推理时的不足,提出HG-RAG框架,通过在层次知识图谱上遍历为语言模型提供结构化上下文,经多规模多类型查询评估,该框架在相关推理任务中优于基线,减少幻觉并保持一致性。
2026-07-17 cs.AI
GAAMA: Graph Augmented Associative Memory for Agents
Nagarro(Nagarro公司)
GAAMA通过三步流程构建概念中介知识图,结合余弦相似度和个性化PageRank实现检索,通过GRaft修复知识图,提升多会话任务中的表现。
2026-11-17 cs.AI cs.IR cs.MA
Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees
Samsung SDS Research America(三星SDS美国研究院)
本文提出了一种无需训练的Query-Aware Flow Diffusion RAG(QAFD-RAG)系统,通过动态适应查询语义来改进图基RAG系统的检索能力,提供了首次统计保证,证明在弱信号-噪声条件下,QAFD-RAG能够以高概率恢复相关子图。
2026-04-21 cs.AI cs.IR
GAM-RAG: Gain-Adaptive Memory for Evolving Retrieval in Retrieval-Augmented Generation
Fudan University(复旦大学)
GAM-RAG通过动态更新检索记忆提升检索增强生成的性能,减少计算成本,提高推理效率。
2026-03-02 cs.AI
Profile-Graph Memory for LLM Agents: Implicit Cross-Entity Traversal through Narrative Profiles
研究针对大语言模型智能体长期记忆中多跳关联未被充分测量的问题,提出了MemHop基准和ProGraph两层内存架构,通过概要扩展与压缩残差实现跨实体遍历,提升了多跳推理及精确召回能力,在多个基准测试中表现优异并开源相关实现。
2026-07-23 cs.AI
Beyond Vector Similarity: A Structural Analysis of Graph-Augmented Retrieval for Industrial Knowledge Graphs
Grama Chethan
本文通过对比八种检索架构,提出操作符词汇表论点,证明基于LLM的图推理瓶颈在于计算操作符而非模型智能,并引入LLM查询规划器,在工业知识图谱上实现优于定制处理器的性能。
2026-06-04 cs.AI
PolyUQuest: Verifiable Structure-Aware Web RAG over Heterogeneous Graphs
The Hong Kong Polytechnic University(香港理工大学)
研究针对现有RAG系统不足,提出基于异构图的PolyUQuest框架。通过双层路由器分配查询到三种检索模式,答案可验证。在PolyU官网等评估中,该框架在多方面优于现有系统,还提供交互式界面,准备部署为学生问答服务。
2026-08-25 cs.AI
LogicTree-RAG: Logic Tree-guided Retrieval-Augmented Generation for Long-form Patent Drafting
National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学)
LogicTree-RAG通过诱导层次化逻辑树作为全局骨干,以证据引导递归生成节点并混合遍历映射到专利章节,实现无需专家先验的可控均衡长篇专利撰写,显著提升内容质量与语言规范性。
2026-09-28 cs.AI
Competency Questions as Executable Plans: a Controlled RAG Architecture for Cultural Heritage Storytelling
School of Computer Science and Informatics, University of Liverpool(利物浦大学计算机科学与信息学院)
本文提出一种基于知识图谱的神经符号架构,通过将能力问题转化为可执行叙事计划,提升文化遗产叙事的准确性和可审计性,通过Live Aid KG进行验证,比较了三种RAG策略的优劣。
2026-04-02 cs.AI
Combining Retrieval-Augmented Text Generation with LLMs for Reading Content Recommendations
Institute of Computer Science, Warsaw University of Technology(计算机科学学院,华沙技术大学)
提出结合检索增强生成(RAG)与大型语言模型的系统,通过四个模块实现个性化阅读内容生成,实验表明RAG将相关性和接地性提升26-35个百分点。
2026-06-16 cs.AI cs.IR
post-graph-rag: A PostgreSQL-Native Bi-Temporal Graph RAG Engine with Temporal Grounding at Synthesis
post-graph-rag是一款开源PostgreSQL原生图RAG引擎,解决现有图RAG的基础设施、图质量、时间累积问题,在三语料库对比中构建更优图且支持时间演化特性
2026-09-09 cs.AI
Breaking the Static Graph: Context-Aware Traversal for Robust Retrieval-Augmented Generation
Huawei Hong Kong Research Center(华为香港研究中心);The Hong Kong University of Science and Technology(香港科学与技术大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
CatRAG通过上下文感知遍历框架,改进检索增强生成模型,提升多跳查询的推理完整性和证据链恢复能力。
2026-02-02 cs.AI cs.CL
AkasicDB: Demonstrating Omni RAG with a Unified Vector-Graph-Relational DBMS
KAIST(韩国科学技术院);GraphAI(GraphAI公司)
AkasicDB是一款支持在单一框架内协同执行向量、图、关系操作的数据库系统,可实现全模态检索增强生成(Omni RAG),演示显示其性能优于仅向量方法,且暴露了现有数据库架构的局限。
2026-08-11 cs.AI cs.DB
Query-Aware Spreading Activation for Multi-Hop Retrieval over Knowledge Graphs
提出一种查询感知的扩散激活方法,通过单步语义门实现查询感知遍历,并用单一Cypher查询完成整个检索过程,在MuSiQue上匹配QAFD-RAG并超越HippoRAG,同时降低延迟。
2026-06-29 cs.AI cs.IR cs.LG
Retrieval-Augmented Large Language Models for Schema-Constrained Clinical Information Extraction
George Mason University(乔治·马歇尔大学)
本文提出一种模块化检索增强生成框架,通过schema约束提示、确定性后处理和二次审核,提升护士-患者对话中观察提取的F1分数达80.36%。
2026-05-14 cs.AI cs.CL
Clue-RAG: Towards Accurate and Cost-Efficient Graph-based RAG via Multi-Partite Graph and Query-Driven Iterative Retrieval
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
针对基于图的RAG中图质量差和查询信息利用不足的问题,提出Clue-RAG方法,通过构建多部图索引和查询驱动的迭代检索策略,在降低索引成本的同时显著提升了问答准确率与F1分数。
2025-09-16 cs.AI cs.IR
SmartRAG: Native Graph-Based RAG for Mobile Device
Nanjing University(南京大学);HUST(华中科技大学);Southeast University(东南大学)
研究针对移动设备部署大语言模型的问题,提出SmartRAG框架,围绕四个模块组织智能助手,核心是可持续学习的EvoNER,知识存于MRGraph,通过混合管道检索,实验表明其在多跳推理性能上有竞争力且能在普通智能手机上运行。
2026-07-21 cs.AI
Inference Scaled GraphRAG: Improving Multi Hop Question Answering on Knowledge Graphs
North Carolina State University(北卡罗来纳州立大学);Oak Ridge National Laboratory(奥本海默国家实验室)
提出Inference-Scaled GraphRAG框架,通过结合深度思维链图遍历的顺序缩放与多数投票的并行缩放进行推理时计算缩放,显著提升了LLM在GRBench基准上的多跳问答性能。
2025-06-24 cs.AI cs.CL
KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs
University of Galway(戈尔韦大学);Fidelity Investments(富达投资)
该研究针对LLM与RAG处理复杂条件问答时在特定领域表现不佳的问题,提出KGCaRe混合方法,结合KG构建、迭代图遍历与神经检索,在多类LLM及数据集上优于现有基线。
2026-08-11 cs.AI cs.CL
GraphMind: From Operational Traces to Self-Evolving Workflow Automation
Microsoft, USA;University of Illinois Chicago, USA;Microsoft, Spain
提出GraphMind系统,通过离线提取因果工作流图、在线多智能体遍历执行和自适应遍历强化,实现云数据库事故调查中的自动化工作流,相比基线方法减少8倍检索上下文并降低26%幻觉率。
2026-05-26 cs.AI
HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG
Shanghai Jiao Tong University, China(上海交通大学)
HELP通过HyperNode扩展和逻辑路径引导的证据定位策略,提升图RAG在准确性和效率之间的平衡,实现高效且准确的知识检索。
2026-02-24 cs.AI
GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval
University of Michigan(密歇根大学)
针对传统RAG在知识图谱检索中易受LLM推理错误和幻觉影响的问题,提出GraphRunner框架,通过规划、验证和执行三阶段机制实现多跳探索与计划验证,显著提升了检索准确性与效率。
2025-07-11 cs.AI cs.IR
TOBUGraph: Knowledge Graph-Based Retrieval for Enhanced LLM Performance Beyond RAG
University of Michigan(密歇根大学)
TOBUGraph通过自动构建知识图谱并利用图遍历检索,克服RAG在语义关系捕捉、分块敏感性和幻觉方面的局限,在真实应用中显著提升检索精确率与召回率。
2025-11-06 cs.AI cs.IR cs.LG
Exposing Privacy Risks in Graph Retrieval-Augmented Generation
The Pennsylvania State University(宾夕法尼亚州立大学)
本文针对图检索增强生成(Graph RAG)系统,研究其数据提取漏洞,通过定制攻击发现其在减少原始文本泄露的同时更易泄露实体及关系等结构化数据,分析隐私挑战并探索防御机制。
2025-08-24 cs.AI cs.CR cs.IR
RAGMark: A Comprehensive Framework for Benchmarking Retrieval-Augmented Generation Systems
Northeastern University(东北大学);College of William & Mary(威廉与玛丽学院)
提出模块化基准框架RAGMark,用于小规模多GPU环境下评估RAG系统各组件,揭示上下文缩减与重排序的复合效益及跨阶段交互,能耗可降66%。
2026-09-09 cs.AI cs.AR cs.IR
Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework
School of Computer Science and Cyber Engineering(计算机科学与网络工程学院);Guangzhou University(广州大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
AnchorRAG通过多智能体协作框架,在无需预定义锚实体的情况下提升开放世界检索增强生成的鲁棒性与准确性。
2026-01-23 cs.AI
Noesis: Bidirectional Graph-RAG with Adaptive Parallelism and Cross-Knowledge-Base Semantic Discovery
Alpha Cogs(阿尔法齿轮公司)
本文提出具备自适应并行性与跨知识库语义发现的双向图检索增强生成架构Noesis,通过四种算法解决现有Graph-RAG系统的三类局限,在HotpotQA数据集上超越GraphRAG,实现更优性能。
2026-08-18 cs.AI cs.IR
VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over Hierarchical Enterprise Knowledge
Huawei Technologies(华为技术有限公司)
针对现有RAG方法在企业知识问答中存在的局限,提出整合向量、目录、图与反思的VDGR-RAG智能体GraphRAG系统,经实验其在召回率和准确率上均优于多种RAG基线。
2026-08-19 cs.AI cs.IR
Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety
organization= Department of Construction Science, College of Architecture, Texas A\&M University, College Station , country= USA
本文提出BifrostRAG系统,通过双图检索增强生成模型处理施工安全多跳问答,实现92.8%精度和85.5%召回率,优于传统基线方法。
2026-05-11 cs.AI
Reliable Graph-RAG for Codebases: AST-Derived Graphs vs LLM-Extracted Knowledge Graphs
Software Engineer, Centerville, USA(美国辛斯维尔软件工程师)
本文比较了基于AST的图谱和LLM提取的知识图谱在代码库中的检索性能,发现确定性AST图谱在索引成本和多跳推理方面更具优势。
2026-01-13 cs.AI cs.SE
SCAIR: Schema-Conditioned Agentic Iterative Reasoning for Enterprise Knowledge Graphs
University of Stuttgart(斯图加特大学);Bosch Center for AI(博世人工智能中心);University of Oslo(奥斯陆大学);University of Southampton(南安普顿大学);BSH Home Applications Holding (China) Co., Ltd(博西华家用电器有限公司(中国));Tsinghua University(清华大学)
针对现有方法在企业知识图谱应用的局限,提出SCAIR无训练框架,集成结构化规划与受控迭代推理,通过模式条件结构先验等提升性能,强调企业图推理要结合领域约束,与业务逻辑对齐可增效。
2026-07-28 cs.AI
Digitizing Coaching Intelligence: An Agentic Framework for Holistic Athlete Profiling using VLM and RAG
A.K. Choudhury School of Information Technology University of Calcutta(A.K.楚德里信息科技学院印度加尔各答大学)
提出基于LLM的混合智能体框架,结合计算机视觉与视觉语言模型,通过3×3智能网格分块策略降低计算开销,并引入LLM-as-a-Judge自校正循环和双持久化RAG管道,实现符合印度体育局标准的自动化整体运动员评估。
2026-06-26 cs.AI cs.CV cs.MA
Structured Linked Data as a Memory Layer for Agent-Orchestrated Retrieval
WordLift
本文提出通过结构化链接数据提升代理协调检索的准确性与回答质量,实验表明增强实体页面格式显著提高检索性能。
2026-03-11 cs.AI cs.IR
Unlocking Electronic Health Records: A Hybrid Graph RAG Approach to Safe Clinical AI for Patient QA
本文提出MediGRAF,一种结合图检索与向量嵌入的混合RAG系统,通过整合结构化数据与非结构化文本,提升临床AI在患者问答中的安全性和准确性。
2025-11-27 cs.AI cs.CL cs.IR
SPI: Query-Depth-Adaptive Indexing for Streaming RAG in Vector Databases
Yale University(耶鲁大学);Columbia University(哥伦比亚大学)
提出语义金字塔索引(SPI),通过多级分辨率组织和不确定性感知控制器实现查询深度自适应,支持流式插入和渐进式ANN搜索,在MS MARCO和Natural Questions上相比基线实现1.4-2.3倍延迟降低。
2026-06-16 cs.AI cs.CL
Think Inside the Chunk: RegulaRAG for Regulation-Compliant Scenario Generation using LLMs: A Case Study of UN Regulation No. 152
Technical University of Munich(慕尼黑工业大学)
针对LLMs难以结合冗长分层标准的问题,提出RegulaRAG流水线,经实验其在UN R152数据集上元分数最高且鲁棒性强,优于基线系统。
2026-08-18 cs.AI cs.IR
Self-Conditioned Positional HNSW for Overlap-Aware Retrieval in Chunked-Document RAG Systems: Method and Industrial Evidence-Quality Audit
eBay Inc.(eBay公司)
提出自条件位置HNSW(SCP-HNSW),通过低维位置编码和两遍查询过程实现重叠感知检索,减少重复证据,并基于工业审计数据验证其有效性。
2026-06-01 cs.AI cs.CL cs.DB
Reasoning Graphs: Self-Improving, Deterministic RAG through Evidence-Centric Feedback
本文提出推理图,通过证据中心反馈提升RAG的准确性和确定性,实验显示在50%以上的证据覆盖下,错误率降低47%,在多跳问题中准确率提升11.0个百分点,实现高重用场景下的性能优势。
2026-04-13 cs.AI cs.CL
Automated Tree Knowledge Graph Construction using Ontology Expansion and Retrieval from Vietnamese History Textbooks
The University of Danang(岘港大学);Vietnam-Korea University of Information and Communication Technology(越南-韩国信息与通信技术大学)
本文针对低资源语言越南语,提出端到端树状知识图谱构建与检索评估流水线,构建了含750节点的知识图谱,其自上而下图遍历策略在NDCG@10上超基线4.7个百分点。
2026-09-02 cs.AI
From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG
本文提出GraphRAG框架,通过构建结构化知识图谱解决传统RAG在复杂教育内容中的不足,实验表明其在评估科学与工程实践方面表现更优。
2026-02-28 cs.AI cs.CL
MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries
MDER-DR通过实体中心摘要和分解解决机制,提升多跳问答任务在稀疏复杂关系数据中的鲁棒性和性能。
2026-03-11 cs.AI cs.CL cs.IR
CubeGraph: Efficient Retrieval-Augmented Generation for Spatial and Temporal Data
University of Leicester(利兹大学)
CubeGraph通过整合向量搜索与任意空间约束,解决传统方法在处理高维向量相似性搜索与时空过滤时的碎片化问题,提升查询性能和扩展性。
2026-04-30 cs.AI cs.DB cs.IR
Grokers: Bottom-Up Inductive Comprehension and Write-Time Intelligence over Typed Knowledge Graphs
Gregory Magarshak
提出Grokers架构,通过自底向上的依赖子图归纳遍历构建持久结构化理解,将智能推至写入时,实现零额外LM成本的查询,并证明字节同一性、累积单调性和双遍历顺序三个形式性质。
2026-05-07 cs.AI cs.CL cs.DB
Causal Graphs Meet Thoughts: Enhancing Complex Reasoning in Graph-Augmented LLMs
University of Warwick(华威大学);Zhejiang University(浙江大学);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出因果图增强的 Graph RAG 流水线,通过筛选因果边、对齐 CoT 检索并多阶段优化路径,提升 LLM 在医学问答中的复杂推理能力,最高带来 10% 绝对提升。
2025-03-17 cs.AI cs.CL
SlimRAG: Retrieval without Graphs via Entity-Aware Context Selection
SlimRAG提出无图检索框架,通过实体感知上下文选择替代图结构,提升问答准确性并降低索引开销,引入RITU指标衡量检索紧凑性。
2025-06-15 cs.AI cs.CL cs.IR
CID-GraphRAG: Enhancing Multi-Turn Dialogue Systems through Dual-Pathway Retrieval of Conversation Flow and Context Semantics
Amazon Web Services(亚马逊网络服务);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
CID-GraphRAG通过结合意图转换结构与语义检索,提升多轮对话系统的响应质量。
2026-02-09 cs.AI
Deterministic Legal Agents: A Canonical Primitive API for Auditable Reasoning over Temporal Knowledge Graphs
Federal Senate of Brazil(巴西联邦议会)
本文提出SAT-Graph API,通过确定性符号子系统与概率语言模型交互,实现法律领域可审计的时间知识图谱推理,将单次检索生成改为主动推理-行动-观察流程。
2026-04-28 cs.AI cs.CL cs.IR
Decentralizing AI Memory: SHIMI, a Semantic Hierarchical Memory Index for Scalable Agent Reasoning
University of Southern California(南加州大学)
本文提出 SHIMI 语义层次记忆索引,通过概念层级建模与 Merkle-DAG、Bloom filters、CRDT 同步协议,解决去中心化环境中 AI 记忆的语义精确检索与可扩展性问题。
2025-04-08 cs.AI cs.MA
DynaGRAG | Exploring the Topology of Information for Advancing Language Understanding and Generation in Graph Retrieval-Augmented Generation
提出DynaGRAG框架,通过去重、两步均值池化、查询感知检索及DSA-BFS算法增强知识图谱子图表示与多样性,结合GCN与LLM提升语言理解与生成能力。
2025-01-28 cs.AI cs.CL cs.LG
HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis
University at Albany, State University of New York(奥尔巴尼大学,纽约州立大学);Bandit Environmental Solutions LLC(Bandit环境解决方案有限责任公司)
HySemRAG框架结合ETL管道与RAG,通过混合检索、智能体自校正和引文验证,实现自动化文献综合与差距分析,在测试中显著提升提取质量。
2025-08-01 cs.AI cs.IR cs.LG
Evidence-Grounded Retrieval for Investigation Hunt Lead Generation from CTI Reports
Concordia University(康考迪亚大学);Ericsson Security Research(爱立信安全研究院)
针对威胁报告人工生成调查线索繁琐且难以扩展的问题,提出AHLERT系统,通过混合检索与本体接地生成环境感知的可操作线索,将平均F1提升约2倍并取得最高效能。
2026-09-09 cs.AI cs.CR