目前的如微软开源的GraphRAG的工作流程都较为复杂，难以孤立地评估各个组件的贡献，传统的检索方法在处理复杂推理任务时可能不够有效，特别是在需要理解实体间关系或多跳知识的情况下。先说结论，看完后感觉这个框架性能上不会比GraphRAG高，仅在单一数据集上进行了评测，不过优化思路可以借鉴下，比如：双层次检索提高图检索准确性等。供参考。
方法
整体流程
图构建及索引
这一步主要是使用LLM构建知识图谱（KG），涉及预处理 （多源异构内容转text）、文本chunk分割 、KG构建 （命名实体识别（NER）、分割的文本中提取<实体, 关系, 实体>三元组，以及相关的关键词、描述和权重。这些三元组用于构建图，捕捉语料中的复杂多跳依赖关系）、图存储。
图引导检索
这一步是ROGRAG的核心，分为两种主要方法：双层次方法和逻辑形式方法。
1、双层次方法
query被分解为两个组成部分：（1）表示实体的低层关键词和（2）高层关系描述。通过模糊匹配将实体与图中的节点匹配，关系关键词与边匹配。检索结果合并后，去除冗余的边、节点和块引用，精炼最终的检索上下文。优势是这种方法利用多粒度特征进行分层模糊匹配，提高了对不规范或复杂查询的检索覆盖率。
2、逻辑形式方法
使用预定义的操作符（如过滤、聚合）将自然语言查询转化为结构化的检索操作序列。利用LLM将自然语言查询转化为结构化的检索操作序列，并通过迭代优化来增强检索上下文。这种方法提供了更精确的检索结果，特别适用于需要结构化推理的任务。
逻辑形式方法算法过程：通过LLM将复杂的自然语言查询分解为一系列简单的子查询，然后使用预定义的操作符对这些子查询进行处理，最终得到结构化的检索操作序列。
图增强生成
这里和其他rag方法一致，主要优化输出。
实验性能
整体结果
参考文献：
-
paper：ROGRAG: A Robustly Optimized GraphRAG Framework，https://arxiv.org/abs/2503.06474
关于我：余俊晖，主要研究方向为自然语言处理、大语言模型、文档智能。曾获CCF、Kaggle、ICPR、ICDAR、CCL、CAIL等国内外近二十项AI算法竞赛/评测冠亚季军。发表SCI、顶会等文章多篇，专利数项。