ArcRAG：知识图谱上的智能体式组合检索

基于图的检索增强生成（GraphRAG）通过在由语料库构建的知识图谱上进行检索来回答问题。然而，检索策略通常围绕其自身构建流程所产生的结构设计，而这些策略在构建方式改变后是否仍然有效，却很少得到测试。我们研究这种跨构建方式的可迁移性：在不使用特定于构建方式的模式、关系名称，也不重新调优的情况下，同一检索过程能否在图谱采用不同方式构建时保持有效。我们提出 ArcRAG，它在推理时归纳出查询局部的图谱接口（即从问题中提及的实体出发可达的节点标签、关系描述符和属性键），基于该接口规划多跳遍历，并以 Cypher 的形式执行和修复这些遍历。我们将 MuSiQue、HotpotQA 和 TriviaQA 的每个语料库分别构建为模式引导图谱（具有类型的节点、封闭的关系集合、来源溯源信息）和开放信息抽取图谱（无类型节点、自由文本关系），并在这些图谱上保持检索器配置不变。我们将其与不依赖构建方式的 Direct-Cypher 智能体进行比较，在两类图谱上针对不同的重试预算和执行轮次预算对各个阶段进行消融实验，并与以往 GraphRAG 系统报告的结果进行比较，其中大多数系统将检索与自身的图谱构建方式协同设计。在这两种构建方式下，我们发现，检索不一定需要与图谱协同设计：查询时的接口归纳使不依赖构建方式的检索器在构建方式改变后仍能保持有效，尽管构建方式仍会影响绝对准确率。