检索增强生成（RAG）在处理多跳问答时，常因关键信息分散而效果不佳。GraphAnchor提出了一种新范式，不再将知识图谱视为静态过滤器，而是作为动态演化的主动索引。该方法通过迭代更新图谱，引导模型精准定位和整合碎片化证据，显著提升了复杂问答的准确率。
智能速览
RAG技术在多跳问答中面临信息碎片化挑战。
GraphAnchor将知识图谱转化为动态演化的主动索引。
通过迭代更新，图谱能锚定关键实体并引导子查询生成。
实验证明该方法显著提升了检索准确性与文档多样性。
消融实验验证了图谱结构与迭代机制的核心作用。
精华内容
传统RAG方法难以整合跨文档的分散知识。GraphAnchor的创新之处在于，它让知识图谱“活”了起来，从一个静态的知识库，转变为一个在检索过程中不断学习和演化的动态索引系统，从而精准引导大模型找到答案。
RAG的瓶颈
检索增强生成（RAG）通过引入外部知识，有效缓解了大模型的幻觉问题。然而，在面对需要跨文档推理的多跳复杂问答时，传统RAG方法暴露出明显短板。关键证据往往分散在多个不同的文档中，夹杂着大量无关噪声。模型很难像人类一样，精准地识别出这些碎片化信息并进行有效整合，这成为限制RAG在高级任务中表现的瓶颈。
图谱即索引
GraphAnchor的核心创新在于重新定义了知识图谱在RAG中的角色。它不再将图谱仅仅用作一个静态的知识过滤器，而是将其构建成一个动态演化的索引工具。在每一轮检索中，系统都会根据新检索到的文档来更新图谱的结构，这种迭代更新的机制使得图谱能够逐步聚焦于与问题最相关的核心实体和关系。
迭代式推理
基于动态图谱，GraphAnchor引导大语言模型（LLM）进行更深层次的推理。首先，LLM会评估当前图谱的知识完备性，识别出缺失的推理环节。然后，基于此判断生成有针对性的子查询，进行下一轮检索。这个过程不断重复，直到图谱整合的证据足以支撑最终答案的生成。最终答案将综合所有检索文档和演化后的图谱信息联合产出。
效果验证
在MuSiQue、HotpotQA等四个标准多跳问答数据集上的实验充分验证了GraphAnchor的有效性。以Qwen2.5和Llama3.1为基座模型，该方法在Token-Level F1和Exact Match等关键指标上均显著优于五类主流迭代检索基线。注意力可视化分析进一步显示，演进中的图谱能成功引导模型关注到分布式证据，且迭代轮次越多，索引效果越强。
GraphAnchor为解决RAG在复杂推理任务中的短板提供了全新的思路，证明了动态知识索引的巨大潜力。它不仅提升了模型的问答准确率，更重要的是，让AI的推理过程变得更加透明和可控。未来，这种图谱驱动的动态索引范式或将在更多需要深度知识整合的领域大放异彩。
