RAG / 检索增强生成

Knowledge Graph RAG: Agentic Crawling and Graph Construction in Enterprise Documents

知识图谱RAG：企业文档中的代理爬取与图谱构建

Koushik Chakraborty, Koyel Guha

机构 * Google AI, Global Services Delivery（谷歌AI，全球服务交付） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.IR、cs.AI

AI总结 本文提出基于递归爬取的代理知识图谱，解决复杂企业文档语义检索的局限性，提升法规查询的准确率。

Comments 15 pages, 4 figures

SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

SAG：基于查询时动态超边的SQL检索增强生成

Yuchao Wu, Junqin Li, XingCheng Liang, Yongjie Chen, Yinghao Liang, Linyuan Mo, Guanxian Li

机构 * Zleap AI（智量科技） 纠错

专题命中 图谱与结构化RAG ：retrieval augmented generation(title,abstract)；RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 本研究提出SAG（SQL检索增强生成）架构，通过查询时动态超边实现结构化检索，在HotpotQA等多跳问答基准上性能优于基线，为LLM智能体处理组织知识提供了新方案。

SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

SAG: 查询时动态超边的SQL检索增强生成

Yuchao Wu, Junqin Li, XingCheng Liang, Yongjie Chen, Yinghao Liang, Linyuan Mo, Guanxian Li

机构 * Zleap AI 纠错

专题命中 图谱与结构化RAG ：retrieval augmented generation(title,abstract)；RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出SAG架构，通过SQL查询动态构建局部超边索引，避免全局图维护，在多跳推理基准上达到最优召回率，支持亿级数据生产部署。

Towards Self-cognitive Exploration: Metacognitive Knowledge Graph Retrieval Augmented Generation

Xujie Yuan, Shimin Di, Jielong Tang, Libin Zheng, Jian Yin

专题命中 图谱与结构化RAG ：retrieval augmented generation(title,abstract)；retrieval-augmented generation(abstract)；RAG(abstract)；knowledge retrieval(abstract)

VISTA Architect: A graph database-oriented health AI system demonstrated in multidisciplinary tumor boards

VISTA Architect：一种面向图数据库的健康AI系统，在多学科肿瘤委员会中展示

Tuomo Kiiskinen, Jason Fries, Philip Adamson, David Wu, Timothy John Ellis-Caleo, Aaron Fanous, Balasubramanian Narasimhan, Joel Neal, Sylvia Plevritis, Manuel A. Rivas

机构 * Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学系） ； Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院医学系） 纠错

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 提出VISTA Architect架构，通过图数据库和LLM将EHR转化为持久知识图谱，解决长上下文提示和RAG的时序缺失与高成本问题，在胸科肿瘤委员会中实现96.4%准确率。

Comments 22 pages, 4 figures, 6 tables; includes Supplementary Information. Code: https://github.com/VISTA-Stanford/vista-architect (tag v0.1.0-preprint, commit 8837d44)

Toward Robust GraphRAG: Mitigating Retrieval Drift and Hallucination from Imperfect Knowledge Graphs

迈向稳健的GraphRAG：减轻不完美知识图谱中的检索漂移和幻觉

Yizhuo Ma, Jinchuan Xu, Tao Wen, Qizhi Chen, Jiakai Li, Rongzheng Wang, Muquan Li, Shuang Liang, Ke Qin

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract,abstract_cn)；分类 cs.IR

AI总结 本文针对GraphRAG中因知识图谱不完美导致的检索漂移和幻觉问题，提出CS-RAG框架，通过精细化检索和充分性检查来减少不准确的证据延续。

CacheRAG: A Semantic Caching System for Retrieval-Augmented Generation in Knowledge Graph Question Answering

CacheRAG：面向知识图谱问答中检索增强生成的语义缓存系统

Yushi Sun, Lei Chen

机构 * HKUST Hong Kong China（香港理工大学（中国）） ； HKUST(GZ) / HKUST Guangzhou / Hong Kong China (2018)（香港理工大学（广州）/ 香港理工大学（广州）/ 香港中国（2018）） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.CL、cs.DB

AI总结 针对LLM驱动的KGQA系统作为无状态规划器导致模式幻觉和检索覆盖有限的问题，提出CacheRAG，一种基于缓存的架构，通过模式无关接口、多样性优化缓存检索和有界启发式扩展，将无状态规划器转变为持续学习器，显著提升准确性和真实性。

ContextRAG: Extraction-Free Hierarchical Graph Construction for Retrieval-Augmented Generation

ContextRAG: 无提取的分层图构建用于检索增强生成

Roman Prosvirnin, Sergei Kuznetsov, Seungmin Jin

机构 * HSE University（俄罗斯高等经济大学） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 本文提出ContextRAG，一种无需大型语言模型提取实体和关系的图检索增强生成系统，通过残差量化k均值和Formal Concept Analysis方法构建模糊概念图，在130个任务的UltraDomain子集中实现了33.6%的F1分数，显著优于传统方法。

Comments Preprint. 6 tables

TagRAG: Tag-guided Hierarchical Knowledge Graph Retrieval-Augmented Generation

TagRAG：基于标签的分层知识图谱检索增强生成

Wenbiao Tao, Xinyuan Li, Yunshi Lan, Weining Qian

机构 * East China Normal University（东华师范大学） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.IR、cs.CL

AI总结 TagRAG通过构建标签知识图谱和标签引导的检索生成框架，提升小语言模型的全局推理能力和知识增量效率，实验显示其在多个领域数据集上表现优异。

Comments Accepted by ACL 2026 Findings

Less is More: Denoising Knowledge Graphs For Retrieval Augmented Generation

Yilun Zheng, Dan Yang, Jie Li, Lin Shang, Lihui Chen, Jiahao Xu, Sitao Luan

机构 * Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； Mila, Quebec AI Institute（魁北克AI研究所） ； University of Montreal（蒙特利尔大学） 纠错

专题命中 图谱与结构化RAG ：retrieval augmented generation(title,abstract)；retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

KeyKnowledgeRAG (K^2RAG): An Enhanced RAG method for improved LLM question-answering capabilities

Hruday Markondapatnaikuni, Basem Suleiman, Abdelkarim Erradi, Shijing Chen

机构 * University of Sydney（悉尼大学） ； University of New South Wales（新南威尔士大学） ； Qatar University（卡塔尔大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；vector search(abstract)；分类 cs.CL、cs.AI

Comments 21 pages, 14 figures

Knowledge Graph-Guided Retrieval Augmented Generation

Xiangrong Zhu, Yuexiang Xie, Yi Liu, Yaliang Li, Wei Hu

专题命中 图谱与结构化RAG ：retrieval augmented generation(title,abstract)；retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

Comments Accepted in the 2025 Annual Conference of the Nations of the Americas Chapter of the ACL (NAACL 2025)

Zero-shot Slot Filling with DPR and RAG

Michael Glass, Gaetano Rossiello, Alfio Gliozzo

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval augmented generation(abstract)；retriever(abstract)；分类 cs.CL、cs.AI

Semantically Similar, Logically Distinct: Diagnosing the Semantic-Answerability Gap in Table RAG

语义相似，逻辑不同：诊断表格检索增强生成中的语义可回答性差距

Jiaming Tian, Liyao Li, Wentao Ye, Haobo Wang, Lihua Yu, Zujie Ren, Gang Chen, Junbo Zhao

机构 * Zhejiang University（浙江大学） ； Bank of Hangzhou Co., Ltd.（杭州银行股份有限公司） ； Zhejiang Lab（之江实验室） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 研究表格检索增强生成中语义可回答性差距问题，通过TCR-Bench基准评估发现密集检索器存在差距，分析其相关因素，用Answerability-Aware Reranking两阶段管道测试，提升了检索性能，揭示差距源于缺少可回答性验证步骤。

RAG-Enhanced Kernel-Based Heuristic Synthesis (RKHS): A Structured Methodology Using Large Language Models for Hardware Design

基于检索增强的核启发式合成（RKHS）：利用大语言模型的结构化方法用于硬件设计

Shiva Ahir, Alex Doboli

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 本文提出RKHS方法，结合检索增强生成、紧凑核启发式模板和LLM驱动的反馈循环，用于硬件设计中的启发式优化，实验证明其在降低延迟的列表调度中有效。

Comments Presented at the NSF Workshop on Agents for Chip Design Automation, UCLA

Competency Questions as Executable Plans: a Controlled RAG Architecture for Cultural Heritage Storytelling

能力问题作为可执行计划：一种受控的RAG架构用于文化遗产叙事

Naga Sowjanya Barla, Jacopo de Berardinis

机构 * School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；knowledge retrieval(abstract)；分类 cs.AI

AI总结 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。

Comments Accepted at the 23rd European Semantic Web Conference (ESWC 2026)

Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework

面向知识图谱的开放世界检索增强生成：一种多智能体协作框架

Jiasheng Xu, Mingda Li, Yongqiang Tang, Peijie Wang, Wensheng Zhang

机构 * 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） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；retriever(abstract)；分类 cs.AI

AI总结 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。

CSR-RAG: An Efficient Retrieval System for Text-to-SQL on the Enterprise Scale

CSR-RAG：面向企业级文本到SQL的高效检索系统

Rajpreet Singh, Novak Boškov, Lawrence Drabeck, Aditya Gudal, Manzoor A. Khan

机构 * Technical University of Munich（慕尼黑技术大学） ； Nokia Bell Labs（诺基亚贝尔实验室） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval augmented generation(abstract)；hybrid retrieval(abstract)；分类 cs.CL

AI总结 CSR-RAG通过结合上下文、结构和关系检索，高效支持企业级文本到SQL任务，实现高精度与低延迟的检索性能。

Mixture-of-RAG: Integrating Text and Tables with Large Language Models

混合RAG：利用大语言模型整合文本和表格

Chi Zhang, Qiyang Chen, Mengqi Zhang

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)；分类 cs.IR

AI总结 MixRAG通过三阶段框架整合文本和表格，提升异构文档检索性能，实现混合模态文档接地的最新成果。

Comments Accepted to SIGKDD 2026

Human Cognition Inspired RAG with Knowledge Graph for Complex Problem Solving

受人类认知启发的基于知识图谱的RAG用于复杂问题解决

Yao Cheng, Yibo Zhao, Jiapeng Zhu, Yao Liu, Xing Sun, Xiang Li

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval augmented generation(abstract)；knowledge retrieval(abstract)；分类 cs.AI

AI总结 CogGRAG是一种受人类认知启发的基于图的RAG框架，通过树状思维图结构实现复杂问题分解、知识检索与推理，提升知识图谱问答的准确性和可靠性。

Comments The paper has been accepted by AAAI 2026

A Knowledge Graph and a Tripartite Evaluation Framework Make Retrieval-Augmented Generation Scalable and Transparent

Olalekan K. Akindele, Bhupesh Kumar Mishra, Kenneth Y. Wertheim

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title)；retrieval augmented generation(abstract)；RAG(abstract)；vector search(abstract)

Comments 25 Pages

ArtRAG: Retrieval-Augmented Generation with Structured Context for Visual Art Understanding

Shuai Wang, Ivona Najdenkoska, Hongyi Zhu, Stevan Rudinac, Monika Kackovic, Nachoem Wijnberg, Marcel Worring

机构 * University of Amsterdam（阿姆斯特丹大学） ； College of Business（商学院） ； Economics, University of Johannesburg（经济系，约翰内斯堡大学） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；retriever(abstract)；分类 cs.AI

Lightweight Relevance Grader in RAG

Taehee Jeong

机构 * San Jose State University（萨金特州立大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；vector search(abstract)；分类 cs.AI

A RAG-Based Institutional Assistant

Gustavo Kuratomi, Paulo Pirozelli, Fabio G. Cozman, Sarajane M. Peres

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)；分类 cs.CL

KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs

KGCaRe：结合自动知识图谱构建与大语言模型上下文检索的可解释复杂条件问答方法

Ghanshyam Verma, Simanta Sarkar, Devishree Pillai, Hotaka Shiokawa, Yourong Xu, Fiona Veazey, Peter Hubbert, Hui Su, Paul Buitelaar

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 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。

Structured Memory for Edge Language Models: Persistent Context and Corpus Retrieval via O(1) SSM State Injection

边缘语言模型的结构化记忆：通过O(1) SSM状态注入实现持久上下文与语料库检索

Anusha Madan Gopal, Aras Pirbadian, Kristofor D. Carlson, M Anthony Lewis, Jonathan Tapson

机构 * BrainChip Inc.（BrainChip公司） 纠错

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 该研究针对边缘语言模型提出PRECOG与SMC机制，将SSM预填充成本压缩至O(1)，在1.2B参数的TENNs-LLM上实现约4500倍预填充加速，达到与RAG相当的答案质量。

MedJudgeRAG: Option-Wise Evidence Judgment with Dynamic Knowledge Graphs for Medical MCQA

MedJudgeRAG：用于医学多项选择题问答的基于动态知识图谱的选项级证据判断

Seongwon Seo, Seung Hwan Cho, Young-Min Kim

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 针对医学MCQA中普通RAG降低LM性能的问题，提出MedJudgeRAG框架，将检索文档表示为动态知识图谱，为选项判断证据裁决并确定知识利用策略，经监督微调训练，实验证明其性能优于基线，且动态知识图谱在训练时作用更有效。

Comments 16 pages, 2 figures, Accepted at The Workshop on Graph Foundation Models at the 43 rd International Conference on Machine Learning (ICML 2026)

CUICurate: A GraphRAG-based Framework for Automated Clinical Concept Curation for NLP applications

CUICurate：一种基于图RAG的框架，用于自然语言处理应用中的临床概念整理

Victoria Blake, Jamie Novak, Mathew Miller, Sze-yuan Ooi, Blanca Gallego

机构 * Centre for Big Data Research in Health, University of New South Wales（健康大数据研究中心，新南威尔士大学） ； Eastern Heart Clinic, Prince of Wales Hospital（东部心脏诊所，王室医院） ； NSW Ambulance Aeromedical Operations, Bankstown Helicopter Base（新南威尔士州急救航空医疗运作，班克stown直升机基地） ； Department of Anaesthesia, Saint George Hospital（麻醉科，圣乔治医院） ； Department of Cardiology, Prince of Wales Hospital（心内科，王室医院） ； School of Clinical Medicine, University of New South Wales（临床医学学院，新南威尔士大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title_cn,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出CUICurate框架，利用图RAG技术自动整理UMLS概念集，通过知识图谱和大语言模型实现高效准确的概念分类与过滤，提升临床NLP任务的实用性。

Comments 6 figures, 4 tables

Journal ref Journal of the American Medical Informatics Association, 2026;, ocag110

Query-Aware Spreading Activation for Multi-Hop Retrieval over Knowledge Graphs

查询感知的扩散激活用于知识图谱上的多跳检索

Illia Makarov, Mykola Glybovets

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 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。

Comments Accepted for publication in Cybernetics and Systems Analysis (Springer). Not yet published

STREAM: A Data-Centric Framework for Mining High-Value Task-Oriented Dialogues from Streaming Media

STREAM：一个以数据为中心的框架，用于从流媒体中挖掘高价值任务导向对话

Liang Xue, Haoyu Liu, Cheng Wang, Pengyu Chen, Haozhuo Zheng, Yang Liu

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Byering Technology（伯英技术） 纠错

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 提出STREAM框架，利用流媒体数据合成大规模多领域任务导向对话数据集StreamDial，通过角色构建和对话蓝图结合RAG生成高质量对话，解决数据稀缺问题。