GraphRAG 领域迎来了新的突破——核心思路是“分而治之”。简单来说，就是将复杂的检索任务拆解为简单与复杂两类，分别采用不同策略处理，既保障效率，也不牺牲精度。这套方法源自最新论文 FRAGRAG，虽然代码尚未开源，但其设计思路非常值得深入探讨。
首先回顾 KG-RAG 的基础：它的任务是从知识图谱中检索与查询最相关的 k 条推理路径，作为大模型的上下文。整个过程分为两个阶段：检索与生成。
检索阶段，给定查询 q，先在知识图谱 G 中匹配实体与关系，构建候选推理路径集合 {P}，再按相关性排序。每条推理路径 Pi 可形式化定义为：Pi = (s, r1, m1, r2, …, rk−1, mk−1, rl, e)，其中 s 为起始实体，e 为答案实体，mj 为中间实体，rj 为关系，路径长度 l 等于关系数量。只有包含正确答案实体的路径才被视为有效。
生成阶段，选取排名靠前的 k 条路径增强查询，形成更丰富的 q′，然后交予大模型生成最终输出。
接下来看现有方案如何处理。KG-RAG 框架根据知识图谱信息是否融入大模型，分为两类：
- 模块化方法，如 ToG，使用大模型替代传统排序模型以提升检索准确性。但问题也十分显著——缺乏先验图谱知识，且需频繁调用大模型，实际部署难度较大。
- 耦合框架，如 RoG，先借助图谱信息微调大模型，使其能生成“关系路径”作为查询模板，直接从图谱中检索出正确路径。此外还有 GNN-RAG，利用图神经网络提取有价值的推理路径。
这些方法各有侧重，但都面临一个核心挑战：如何根据查询的复杂程度动态调整检索策略。
一、从 KG-RAG 的任务及现有方案说起
最新工作《FRAGRAG: A Flexible Modular Framework for Retrieval-Augmented Generation based on Knowledge Graphs》提出了一个新颖思路——利用分类思想指导检索。虽然代码暂未开源，但其思路值得深入分析。
框架的核心包含两个模块：推理感知与检索生成。
1. 推理感知
推理感知模块的目标是根据查询的复杂性，将任务划分为“简单”或“复杂”。正确推理路径的跳数与查询中的实体数量、关系数量、子句数量等统计特征密切相关。因此，可以通过预测推理路径的跳数范围，利用二分类器对查询进行分类。
一条路径 P 包含语义信息（实体与关系）和结构信息（跳数）。语义信息源于图谱，难以提前感知；但结构信息既与图谱相关，也与查询上下文 q 有关——查询越复杂，路径跳数通常越多。因此，在可容忍的误差范围内，可仅基于查询上下文 q 预测路径跳数。预测出的跳数可作为优化检索策略的关键参数。例如设定跳数阈值为 2：若最小跳数 ≤ 2，任务归为简单；否则归为复杂。
具体实现细节如下：
使用一组公共 KG-QA 数据集（Freebase 和 Wiki-Movies）训练一个二分类器。每个数据集包含一个知识图谱和大量 (Q, A) 配对。训练前，对每个查询 q，识别从查询实体到答案实体的所有最短推理路径，取最小跳数 H 作为标签：若 H ≥ δ（δ=2），标记为复杂（Y=1）；否则为简单（Y=0）。
建模时需要编码：
查询编码器可采用 BERT、Word2Vec 或 TF-IDF 等任意编码机制。训练过程中，二分类器的分类损失为：
其中 p(yq | q) = decoder(hq) 表示查询被归类为简单或复杂的概率。
2. 检索生成
检索生成模块的目标是精准识别与查询相关的推理路径。它将 KG-RAG 的检索过程拆解为“预处理—检索—后处理”三步流水线，最后交由大模型生成结果。
预处理阶段，从原始知识图谱中提取包含重要实体与关系的子图，以缩小检索范围、提升效率。此处采用常见思路：基于重要性评估移除不相关的实体与边。实体子图剪枝采用广义排名机制（GRM），如随机游走重启（RWR）、个性化 PageRank（PPR）或 PageRank 微调（PRN），取前 n 个实体。边子图剪枝则使用边排名模型（ERM），如 BM25、SentenceTransformer，计算它们与查询的语义相似度。
检索阶段，根据查询的复杂性选择不同策略：
- 简单推理任务（短路径）：采用广度优先搜索（BFS）算法，高效遍历查询实体与答案集之间的所有推理路径，以最小化信息丢失。
- 复杂推理任务（长路径）：采用最短路径检索算法（如 Dijkstra），避免计算成本指数级增长及冗余信息引入。
后处理阶段，检索过程主要关注从查询实体到潜在答案实体的路径，忽略了中间实体的语义及其与查询的相关性。这可能引发若干问题：不相关或罕见的中间实体可能误导推理；路径增多使提示长度增加，提高推理成本甚至超出上下文限制；路径在提示中的位置也会影响推理效果。因此，需要使用路径排名模型（如 DPR、ColBERT 等）过滤冗余路径，确保最终输入大模型的推理路径最为相关且有益。
最后，设计一个提示模板，用过滤后的推理路径 P 增强问题 q。
总结
本文介绍了 KG-RAG 领域的最新进展。其核心仍是对路径剪枝思路的优化，但创新点在于采用“分而治之”策略——根据查询复杂度动态调整检索方法。每个具体流程（子图剪枝、BFS、Dijkstra、路径排名）均源自已有方案中的常用技术，但将它们有机整合，并加入查询分类这一前置判断，使整体更具灵活性与实用性。