一、研究背景与问题研究背景大型语言模型LLM在企业知识管理如技术支持、文档检索中广泛应用但存在知识过时和幻觉问题。检索增强生成RAG成为主流解决方案。核心挑战面向电信等复杂企业文档术语重叠不同领域如4G与5G有高度相似的技术描述难以区分。层级结构复杂文档具有多层次目录结构传统RAG将其视为平面文本丢失了结构信息。缺乏异构检索协同现有方法向量RAG、图谱RAG、智能体RAG各自有优势但未能有效整合。缺少跨域路由企业多领域知识库存在术语交叉缺乏领域路由机制导致穷举搜索、噪音大、延迟高。二、提出的解决方案VDGR-RAG核心思想深度融合向量Vector、目录Directory、图谱Graph和动态反思Reflection构建统一的智能体式GraphRAG系统。1. 离线阶段分层异构知识图谱H²KG构建节点类型目录节点从文档TOC层级解析保留完整路径、父路径、产品版本。内容节点对应每个文本块含原始内容、来源、标题。实体节点LLM提取的细粒度技术实体并赋予重要性分数。边类型包含边目录-目录、目录-内容的有向边保留层级结构。存在边内容-实体的有向边表示实体出现在该内容中。共现边实体-实体的无向边基于同句共现频率加权避免LLM关系抽取的噪音与成本。语义增强每个内容节点和目录节点通过LLM生成摘要目录摘要自底向上递归合成。全局去重合并形成统一H²KG。2. 在线阶段智能体检索工具集四个可组合工具工具功能目录增强的路由工具利用TOC结构和领域知识将查询路由到最相关的领域H²KG过滤不相关领域按置信度排序检索。多路由检索工具三种检索路径并行或顺序执行① 朴素RAGBM25向量重排序② 基于TOC的智能体搜索向量粗选目录 LLM精细筛选 收集子目录下所有内容块③ 实体增强的图谱搜索提取查询实体 → 初始化内容/实体分数 → 子图提取 → PPR传播 → 选Top-K内容块。三路结果聚合去重。目录回溯工具当初始检索证据不足时从当前内容节点的父目录向上回溯探索兄弟目录/内容节点扩展搜索范围以修正定位偏差。动态反思工具LLM持续评估证据充分性识别知识缺口若不足则生成精炼后的新查询触发下一轮检索直至充分或达到最大迭代次数。整体流程路由选择领域KG → 多路由检索 → 证据评估 → 若不足则目录回溯 → 若仍不足则动态反思生成新查询 → 重复直至充分或终止。三、实验与结果数据集四个无线领域节能ES、故障管理FM、体验保障EA、通用数据集GD。指标检索召回率RR和答案准确率AA。主要结果端到端性能VDGR-RAG在三个领域数据集上均取得最优如ES达98.5% RR / 97.6% AAEA达98.7% RR / 97.3% AA显著超越所有基线包括LinearRAG、E²GraphRAG、HippoRAG、A-RAG、BookRAG。消融实验每个组件TOC搜索、图谱搜索、反思、回溯、路由均有独立贡献。最大增益来自TOC智能体搜索AA提升12.1%证实目录结构的关键性。图谱搜索与反思互补增强完整组合M5相比朴素RAG提升AA达19.2%。知识库路由有效消除跨域噪音提升RR 4.2%、AA 2.8%。效率分析VDGR-RAG每个查询平均仅需4.14次LLM调用相比最强基线BookRAG7.22次减少42.7%同时准确率更高。四、核心贡献总结首次提出深度融合向量、目录、图谱和反思的统一RAG框架实现对企业层级知识的高效推理。创新设计分层异构知识图谱H²KG同时保留文档结构与语义关联避免昂贵的LLM关系抽取。构建模块化、可组合的智能体检索工具集路由、多路检索、回溯、反思灵活平衡精度与成本。在真实电信企业文档上验证显著性能提升召回率和准确率均大幅优于现有SOTA方法且LLM调用效率更高。VDGR-RAG证明了结构信息目录层级与语义信息向量、图谱以及迭代反思机制的深度协同是解决复杂企业知识问答的关键。该框架不仅适用于电信领域其设计理念——利用文档内在层级结构进行引导式检索结合多模态检索路径与自我反思——对任何具有复杂层级化文档的行业如金融、法律、医疗具有普适借鉴价值。这里是自己的论文阅读记录感兴趣的话可以参考一下如果需要阅读原文的话可以看这里如下所示摘要1 引言大型语言模型LLM如GPT-5.4 [Afridi et al., 2026]和Qwen-3 [Yang et al., 2025]已经彻底改变了企业知识管理和问答QA系统[Yue, 2025, Daull et al., 2023]。在这些进步的推动下企业越来越依赖LLM来自动化知识密集型任务例如技术支持[Yang et al., 2026]、产品文档检索[Gawde et al., 2026]和操作指导[Tomkou et al., 2025]。然而LLM面临关键限制知识截止约束和幻觉风险常导致过时或事实错误的响应[Ji et al., 2023]。为解决这些问题检索增强生成RAG已成为主流范式[Mei et al., 2025, Fan et al., 2024, Peng et al., 2025, Li et al., 2025b]它从外部语料库检索相关知识以扩充模型上下文并提高QA准确性。在实际企业应用中尤其是在电信等复杂领域将RAG应用于技术文档面临若干关键挑战。首先这些文档在标准规范中存在普遍的词汇和概念重叠。例如4G LTE和5G NR在相似的参数和流程上共享高度相似的技术描述使得检索模型难以区分相关段落与表面相似但上下文不同的段落。其次电信文档具有固有的多层次层级结构并包含大量的跨章节和跨文档引用。传统的RAG范式将文档视为平面文本块或为开放域构建知识图谱无法利用这种结构丰富性来同时解决领域特定的术语歧义并保持多层次的结构拓扑[Wang et al., 2025]。这些局限性严重阻碍了对复杂企业知识库的准确推理性能。现有的企业文档问答RAG方法大致可分为三类。第一类是基于向量的RAG将文档划分为文本块并构建向量索引用于相似性搜索[Lewis et al., 2020, Gao et al., 2023]具有计算效率和易于部署的特点非常适合企业应用。第二类是基于图谱的RAG在文本单元之间构建结构化关系以建模显式文档拓扑。代表性范式如GraphRAG [Edge et al., 2024]和RAPTOR [Sarthi et al., 2024]构建实体级知识图谱或递归文档树而近期的进展如HippoRAG [Gutierrez et al., 2024]和NodeRAG [Xu et al., 2025]则利用异构图谱结构实现跨块关系检索。第三类是智能体RAG或称基于推理的RAG采用LLM驱动的自主搜索和页面级索引导航例如PageIndex [Zhang et al., 2025a]来动态推理和反思文档目录并迭代检索相关内容。重要的是基于图谱的RAG和智能体RAG并非互斥相反它们分别在索引层面和检索层面对传统基于向量的RAG进行了正交升级第2节。尽管有这些进展现有方法仍存在两个主要局限性未能协同利用异构检索范式。当前的RAG系统难以充分利用上述三种范式的互补优势。基于向量的RAG计算延迟低但将文档视为平面块会牺牲全局语义连贯性并丢失结构上下文[Liu et al., 2024]。此外语义相似性与真实相关性之间的差距常导致高误报率[Zhang et al., 2025a]。智能体RAG通过动态导航实现了更高的精度但在大规模企业语料库上会产生过高的延迟。同时许多基于图谱的RAG方法主要针对开放域文本。依赖通用NLP工具包例如LinearRAG [Zhuang et al., 2025]中的spaCy无法提取电信等技术领域中的专业术语和非平凡关系。关键在于现有框架均未能在结构化的企业知识上有效整合这些不同检索范式的互补优势。缺乏跨领域知识库的路由。企业文档涵盖多个具有重叠术语的专业知识库例如无线设备的节能和故障管理的不同数据库。由于缺乏有效的领域级路由机制当前范式只能对所有知识库进行穷举搜索这会引入严重的上下文噪音并显著增加查询延迟。为解决这些局限性我们认为必须深度融合向量表示、目录结构、图谱拓扑和动态反思才能有效地对复杂的层级企业知识库进行推理。为此我们提出了VDGR-RAG一个智能体式GraphRAG框架它将向量检索、目录驱动的推理、图谱遍历和动态反思整合到一个统一的系统中以实现准确的企业知识问答。具体来说VDGR-RAG首先从文档语料库构建一个分层异构知识图谱H2KG以保留层级目录结构和语义实体关系然后部署一套可组合的原子化工具用于知识搜索。我们的方法不是强制执行僵化的线性搜索流水线而是使LLM智能体能够基于中间检索反馈动态协调这些工具来导航 H2KGH2KG。VDGR-RAG的工具集具体如下目录增强的路由工具为了解决跨域穷举搜索导致的严重上下文噪音问题该工具利用领域知识和多级TOC结构作为上下文基础。通过将用户查询投影到候选领域的TOC树上它生成带有置信度分数的多步路由决策精确地将查询引导至目标领域知识库同时修剪掉不相关的领域。多路由检索工具为了整合不同检索模式的互补优势该工具协调了三种异构路径(i) 朴素RAG结合密集向量搜索和BM25关键词匹配进行快速混合检索(ii) 基于TOC的智能体搜索利用基于向量的章节标题粗过滤随后由LLM进行精细选择实现结构感知导航以及 (iii) 图谱搜索提取关键查询概念作为种子在知识图谱上执行个性化PageRank (PPR)实现单步多跳推理和块-实体子图发现。这种多路由检索保证了高知识召回率同时不丢失结构上下文。目录回溯工具当初始的多路由检索返回的上下文不足或存在定位偏差时该工具使LLM智能体能够从当前检索到的位置开始探索文档层级中的相邻区域。通过分析父章节摘要和结构信息它动态地向上遍历并在TOC树中进行横向搜索以检索缺失的先决条件上下文并确保完整的知识覆盖。动态反思工具作为智能体工作流的大脑该工具持续评估检索到的上下文的充分性和相关性。在检测到歧义、信息缺口或执行失败时它会自主规划下一次搜索查询直到能够生成完整且高置信度的答案。本文的其余部分组织结构如下。第2节回顾了现有RAG技术的相关工作。第3节介绍了预备知识。第4节介绍了我们提出的分层异构知识图谱H2KG构建方法。第5节详述了VDGR-RAG的检索方法。第6节介绍了实验评估和性能分析。最后第7节总结全文。2 相关工作在本节中我们回顾了检索增强生成RAG范式在三个关键阶段的演变标准RAG系统、通过基于图谱的RAG进行的索引级增强以及通过智能体RAG进行的检索级升级。2.1 标准RAG系统检索增强生成RAG由Lewis等人[Lewis et al., 2020]提出旨在通过整合外部知识来减少LLM的幻觉。标准RAG流程通常遵循三阶段工作流分块、基于嵌入的检索和LLM生成。早期的稀疏和密集检索基线依赖于BM25 [Robertson and Zaragoza, 2007]和密集段落检索DPR[Karpukhin et al., 2020]。现代系统主要部署通过预训练编码器如BGE-Embedding [Xiao et al., 2023]和Qwen-Embedding [Zhang et al., 2025b]进行的向量搜索并使用如HNSW [Malkov and Yashunin, 2018]等近似最近邻算法进行语义匹配。然而这些基线方法将文档视为平面文本集合。它们仅依赖于点对点的词项或向量相似度忽略了技术文档的逻辑层级常常遗漏关键的上下文信息。2.2 基于图谱的RAG索引级增强为克服平面检索的局限性近期工作聚焦于通过引入知识图谱进行索引级升级。GraphRAG [Edge et al., 2024]构建实体图谱并使用社区检测为查询提供全局上下文。RAPTOR [Sarthi et al., 2024]通过迭代聚类和摘要构建递归树以支持多层次语义理解。其他许多工作如HippoRAG [Gutiérrez et al., 2024]、NodeRAG [Xu et al., 2025]、SubgraphRAG [Li et al., 2025a]和 E2 GraphRAG [Zhao et al., 2025]利用图谱拓扑来建模异构文档关系。通过在文本内部构建连接这些方法将检索从简单的点对点匹配转变为结构化上下文理解。然而这些基于图谱的RAG方法大多侧重于图谱实体链接而很大程度上忽略了固有的文档层级如多级目录TOC。一些工作尝试通过引入布局感知解析器[Xu et al., 2020, Shen et al., 2021]或构建文档树索引结构[Wang et al., 2025, Niu et al.,2025, Zhang et al., 2025a]来利用这些层级。然而这些方法难以充分利用TOC结构和图谱实体拓扑的独特优势。尽管最近的工作如BookRAG [Wang et al., 2025]尝试将两者结合但其基于TOC的推理严格限于挖掘额外实体以丰富PPR操作的实体子图而非引导直接的知识搜索。关键在于现有方法缺乏一种利用跨海量多文档存储库的TOC信息的领域路由机制。由于缺乏显式的领域路由和结构整合这些系统只能对所有技术手册进行穷举式全局搜索从而引入严重的上下文噪音并显著增加查询延迟。2.3 智能体RAG检索级升级除了索引结构智能体RAG将注意力转向通过使用LLM作为自主智能体来升级检索工作流本身[Yao et al., 2022]。Self-RAG [Asai et al., 2024]使模型能够自我批判和精炼检索到的内容。其他基于智能体的框架[Trivedi et al., 2023, Zhang et al., 2025a, Du et al., 2026, Wang et al., 2025, Jeong et al., 2024, Singh et al., 2025]部署LLM来规划搜索轨迹、分解复杂查询并选择合适的检索工具。通过引入LLM驱动的决策制定和动态反思智能体RAG将静态查找转变为交互式、多步的深度搜索。尽管有这些检索级的进步当前的智能体方法缺乏一个能无缝结合混合向量搜索、基于TOC的树导航、图谱遍历和动态反思以进行企业知识复杂推理的统一框架。3 预备知识在本节中我们正式定义企业知识问答任务介绍通用RAG范式并描述作为许多QA系统基础的朴素RAG基线。3.1 企业知识问答任务3.2 RAG范式离线索引与在线检索RAG范式包含两个顺序阶段离线索引和在线检索-生成。3.3 朴素RAG混合检索与重排序作为RAG范式最基本的实例化朴素RAG主要依赖密集向量检索进行语义匹配并辅以稀疏词汇搜索BM25和神经重排序。稀疏与密集候选检索。稀疏检索通过Elasticsearch使用BM25计算每个块文本内容的词汇匹配分数并返回按词汇相关性排序的顶级候选。同时密集向量检索计算查询向量与块向量在语义空间中的余弦相似度并返回按语义相关性排序的顶级候选。两条路径的结果随后通过分数融合例如倒数排名融合 [Cormack et al., 2009]合并形成一个统一的候选集。分数融合与重排序。一个交叉编码器重排序器对合并后的候选集计算最终相关性分数以选择前 K 个块4 分层异构知识图谱H2KG构建4.1 H2KG 结构概述4.2 从块集初始化节点4.3 边构建节点初始化后我们构建三种类型的边以建立结构引导的检索路径如图1右侧所示。4.4 LLM驱动的语义增强我们采用LLM驱动的流水线来为内容节点和目录节点增加新属性Summary从而在智能体检索过程中能够进行有效的相关性评估。内容节点摘要。对于每个内容节点 vcLLM评估其文本内容并生成一个捕获该块核心主题的语义摘要。这个简洁的摘要使得在智能体检索阶段例如目录回溯过程中的内容节点选择第5.4节能够快速评估块的相关性用高级主题描述来补充原始内容属性。目录节点摘要。由于目录节点缺乏文本描述它们的语义摘要通过自底向上的方式从其直接子节点递归合成。具体来说从最低的目录级别开始LLM接收一个目录节点的 Pathfull 及其所有直接子节点包括子目录和内容块的摘要以生成一个高级领域摘要。这个过程逐层向上传播直到到达根节点生成支持目录引导导航和路由的分层摘要。4.5 全局合并在所有单个文档的节点和边被实例化并进行语义增强后我们通过节点去重将每个文档的子图合并成一个统一的全局 H2KG。具体来说目录节点通过匹配其 Pathfull和 Verprod 进行合并确保来自不同产品版本的目录保持分离内容节点使用 Content 和 Source 进行去重防止不同文档中具有相同文本的不同块被错误合并实体节点通过匹配其唯一名称进行去重。当具有相同名称的实体节点被合并时它们之间任何重复的共现边也会通过将权重相加合并为一条更新后的边并且所有引用已移除节点的目录到内容边都会被重定向到保留的节点。5 VDGR-RAG 的智能体检索5.1 概述本节介绍VDGR-RAG的智能体检索机制该机制协调一套可组合的工具来导航 H2KG以实现准确的企业知识问答。如第1节所述工具集由四个组件组成目录增强的路由工具、多路由检索工具、目录回溯工具和动态反思工具。这些组件由中央LLM智能体基于中间检索反馈进行动态编排以对 H2KG 进行推理。本节其余部分详述每个组件。第5.2节介绍知识库路由用于将查询导向最相关的领域专属 H2KGH2KG同时过滤掉跨域上下文噪音。第5.3节详述多路由检索工具该工具在多个表示空间向量、目录和图谱中进行搜索以最大化知识召回的全面性。第5.4节介绍目录回溯用于在初始检索返回不完整上下文时跨兄弟分支扩展搜索范围。第5.5节描述动态反思工具该工具持续评估检索到的上下文的充分性和相关性并在检测到信息缺口时自主规划下一次搜索查询。最后第5.6节介绍将这些组件组合成统一流程的智能体检索流水线。5.2 知识库路由5.3 多路由检索5.4 目录回溯当多路由检索返回的证据集 E 不足时检索结果可能存在相对于真实知识位置的定位偏差。由于技术文档通常将相关的规范归组在共享的父目录下真实知识可能位于初始检索到的内容节点的兄弟节点中或者其祖先的兄弟节点的子树中。标准的向量搜索常常无法跨越这些结构边界而目录回溯旨在修正这种知识定位偏差。目录回溯的过程如图2(b)所示迭代进行如下在第一轮当前节点是路由1检索到的所有内容节点即 Cvec。它们的兄弟节点也是内容节点。LLM首先阅读这些兄弟内容节点的摘要以选择相关节点然后从选定的内容节点中提取补充证据以增强 E。如果LLM判断证据仍然不足目录回溯工具向上回溯一级当前节点变为上一轮的父目录节点。它们的兄弟节点是同一祖父目录下的兄弟目录节点。对于每个兄弟目录LLM进行自上而下的导航它阅读其子节点的摘要并选择相关的子节点进行下探直到到达叶子内容节点。然后LLM根据摘要选择相关的内容节点并从这些节点中提取证据以增强 EE。这种向上回溯重复进行直到收集到足够的证据或达到最大回溯深度整个过程不断扩充证据集 E。5.5 动态反思5.6 智能体检索流水线上述组件是完全模块化和可组合的支持灵活的流水线配置。目录回溯和动态反思可以各自独立启用或禁用允许系统根据操作要求在检索质量和计算成本之间取得平衡。6 实验我们进行了广泛的实验以评估VDGR-RAG在跨四个无线电信领域的企业知识问答上的表现。我们将VDGR-RAG与代表性的基线方法在知识召回率和答案准确率方面进行了比较并进行了消融实验以验证每个检索工具和知识库路由模块的贡献。表1数据集统计。RR表示检索召回率AA表示答案准确率。表2基线方法与所提出框架在领域特定QA数据集上的性能比较。最佳结果以粗体突出显示。6.1 实验设置数据集。我们在电信领域的企业产品文档上评估我们的框架涵盖四个数据集节能ES、故障管理FM、体验保障EA以及一个大型通用数据集GD。其中ES、FM和EA数据集聚焦于电信领域内的特定子领域而GD则涵盖通用电信领域。测试查询由公司内部测试团队提供涵盖简单的单跳检索、复杂的多跳推理以及跨领域知识聚合总计约700个问题。由于计算资源限制我们仅在ES、FM和EA上复现了开源基线方法在规模更大的GD数据集上我们进行了自我评估和消融研究。此外我们将ES、FM和EA数据集合并为一个语料库以测试知识库路由模块。这些数据集的详细统计数据见表1。评估指标。我们采用两种指标来评估检索质量和端到端的答案生成质量。具体而言检索召回率RR衡量检索到的上下文对真实证据的覆盖程度。答案准确率AA衡量生成的答案与真实答案相比的准确程度反映了RAG流水线的整体正确性。这两个指标均由一个LLM评判器进行评估该评判器遵循“LLM即评判者”范式[Zheng et al., 2023]将每个结果与真实值进行比较。基线方法。我们将VDGR-RAG与五种代表性问题方法进行比较这些方法涵盖两种架构范式。基于图谱的RAGLinearRAG [Zhuang et al., 2025] 构建了一个无关系层级图Tri-Graph采用轻量级实体提取和语义链接E²GraphRAG [Zhao et al., 2025] 构建了一个摘要树和一个具有双向实体-块索引的实体图谱用于自适应局部-全局检索HippoRAG [Gutiérrez et al., 2024] 在OpenIE知识图谱上应用个性化PageRankPPR进行动态节点排序。智能体RAGA-RAG [Du et al., 2026] 向智能体暴露层级化检索接口关键词搜索、语义搜索和块读取以实现自适应多粒度检索BookRAG [Wang et al., 2025] 在层级化树-图谱书索引BookIndex上执行智能体规划。实现细节。所有方法共享相同的分词器、嵌入模型Qwen3-Embedding-8B[Zhang et al., 2025b, Yang et al., 2025]以及由公司内部文档处理流水线生成的同一组块以确保公平比较。Qwen3.6-27B模型作为所有配置中的骨干生成器。对于VDGR-RAG目录回溯和动态反思默认启用最大回溯深度和最大反思迭代次数均设为3。对于多路由检索我们设定路由1和路由3的 K10路由2中候选目录节点选择的 L50路由3中内容节点候选选择的 N10实体节点候选选择的 M200以及路由3中平衡超参数 β0.8。6.2 结果6.2.1 端到端问答性能多路由检索的有效性。跨范式比较基于图谱的RAG和智能体RAG在不同数据集上各有优势。例如在ES上HippoRAG取得了最高的AA77.1%而在FM上A-RAG取得了最佳AA83.9%。这种跨范式的差异表明基于图谱的检索和智能体检索都是有益的。BookRAG采用了基于树图的智能体检索在三个数据集上取得了所有基线中最好的整体性能这证实了整合基于图谱和智能体检索模式的互补性和必要性。然而如上所述BookRAG将图谱搜索和TOC推理耦合在一个单一的检索路径中阻止了每种模式各自优势的充分发挥。VDGR-RAG在所有数据集上均显著优于BookRAG表明解耦的多路由检索与统一推理有效地利用了每条路由的互补优势。6.2.2 消融实验与分析消融实验1检索工具有效性。表3展示了在GD数据集上的渐进式消融实验。从朴素RAG基线M1开始我们逐步添加每个检索组件并观察其边际贡献。主要发现如下朴素RAG提供了一个强大且高效的基线。M1已达到 80.5% 的RR和 76.5% 的AA表明混合稀疏-密集检索与神经重排序可以捕获大部分相关证据。考虑到其低计算成本和最小延迟朴素RAG在RAG系统中是不可或缺的基础所有后续改进都建立在这个高效基线之上。基于TOC的智能体搜索带来了主要提升。添加基于TOC的智能体搜索M1→M2带来了最大的改进AA提高了 12.1%。这证实了利用层级文档结构对于领域特定QA至关重要基于TOC的智能体搜索允许LLM通过目录驱动的推理直接定位知识而不是依赖嵌入相似性从而克服了语义相似性不等同于相关性的基本限制。图谱搜索和反思提供了互补的益处。从M2基线开始添加实体增强的图谱搜索M2→M3使AA提高了 1.9%而添加动态反思M2→M4使AA提高了 3.8%。这两个模块处理不同的失败模式图谱搜索发现平面检索遗漏的跨块实体关系从而促进多跳推理而动态反思迭代评估证据充分性并生成精炼查询以填补剩余的知识空白。完全整合产生最佳结果。结合所有组件M5达到了 96.9% 的RR和 95.7% 的AA比朴素RAG基线提高了 19.2%。M5优于M3和M4的事实表明图谱搜索和动态反思是相互增强而非冗余的图谱搜索扩展了证据边界而反思则精炼了检索焦点形成一个自我改进的检索循环。这些结果证实了向量、目录、图谱和反思都是必要的——每个组件解决一种不同的失败模式它们的协同作用对于实现最佳性能至关重要。目录回溯的效果。如表4所示在ES数据集上在多路由检索基础上添加目录回溯将R从 97.2% 提高到 98.3%AA从 95.8% 提高到 97.0%这表明回溯能够通过沿目录树导航来恢复初始检索遗漏的相关内容。然而在GD数据集上目录结构极其庞大且嵌套很深。最大深度为3的回溯几乎未带来增益因为相关内容通常位于层级深度超过3的地方。这表明目录回溯在文档层级规模适中时最为有益。消融实验2知识库路由。表5在合并的ESFMEA语料库上评估了路由模块。没有路由时智能体联合搜索所有领域引入了跨域实体噪音和误导性术语。知识库路由通过将查询引导至目标领域 H2KG 消除了这种污染RR提高了 4.2%AA提高了 2.8%。此外知识库路由预计还能通过将搜索空间限制在目标领域来降低检索延迟这对于大规模部署至关重要。6.3 效率分析除了检索质量智能体检索的计算成本是实际部署的关键考量。我们将VDGR-RAG与BookRAG的LLM调用效率进行了比较BookRAG是同样采用结合目录树和实体图谱的图结构的最强基线因为每个查询的LLM调用次数直接决定了延迟和成本。如图3所示VDGR-RAG在显著更高的准确率下所需的LLM调用次数远少于BookRAG。平均而言VDGR-RAG在三个数据集上每个查询需要4.14次LLM调用而BookRAG需要7.22次——减少了 42.7%。这种效率差距在ES上最为明显BookRAG每个查询需要8.37次调用而VDGR-RAG仅需4.16次同时AA达到了 97.6% 对比 74.9%。关键原因在于BookRAG首先判断查询是否复杂并将复杂查询分解为子问题然后独立地为每个子问题进行检索导致LLM调用次数与子问题数量成正比。相比之下VDGR-RAG依赖于更稳健的多路由检索直接处理原始查询而无需分解从而减少了LLM调用次数。7 结论在本文中我们提出了VDGR-RAG一个智能体式GraphRAG框架它整合了向量、目录、图谱和反思用于准确的企业知识问答。VDGR-RAG的核心是 H2KG一个能同时保留文档目录结构和实体关系的分层异构知识图谱。在 H2KG 之上VDGR-RAG协调了几个可组合的检索工具一个目录节点增强的路由工具将查询导向目标领域知识库一个多路由检索工具结合向量搜索、基于TOC的智能体搜索和实体增强的图谱搜索实现全面的证据收集一个目录回溯工具修正知识定位偏差以及一个动态反思工具迭代精炼检索过程。在跨四个电信领域的企业产品文档上进行的大量实验表明VDGR-RAG在检索召回率和答案准确率方面均显著优于代表性的基线方法。 VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over H
一、研究背景与问题研究背景大型语言模型LLM在企业知识管理如技术支持、文档检索中广泛应用但存在知识过时和幻觉问题。检索增强生成RAG成为主流解决方案。核心挑战面向电信等复杂企业文档术语重叠不同领域如4G与5G有高度相似的技术描述难以区分。层级结构复杂文档具有多层次目录结构传统RAG将其视为平面文本丢失了结构信息。缺乏异构检索协同现有方法向量RAG、图谱RAG、智能体RAG各自有优势但未能有效整合。缺少跨域路由企业多领域知识库存在术语交叉缺乏领域路由机制导致穷举搜索、噪音大、延迟高。二、提出的解决方案VDGR-RAG核心思想深度融合向量Vector、目录Directory、图谱Graph和动态反思Reflection构建统一的智能体式GraphRAG系统。1. 离线阶段分层异构知识图谱H²KG构建节点类型目录节点从文档TOC层级解析保留完整路径、父路径、产品版本。内容节点对应每个文本块含原始内容、来源、标题。实体节点LLM提取的细粒度技术实体并赋予重要性分数。边类型包含边目录-目录、目录-内容的有向边保留层级结构。存在边内容-实体的有向边表示实体出现在该内容中。共现边实体-实体的无向边基于同句共现频率加权避免LLM关系抽取的噪音与成本。语义增强每个内容节点和目录节点通过LLM生成摘要目录摘要自底向上递归合成。全局去重合并形成统一H²KG。2. 在线阶段智能体检索工具集四个可组合工具工具功能目录增强的路由工具利用TOC结构和领域知识将查询路由到最相关的领域H²KG过滤不相关领域按置信度排序检索。多路由检索工具三种检索路径并行或顺序执行① 朴素RAGBM25向量重排序② 基于TOC的智能体搜索向量粗选目录 LLM精细筛选 收集子目录下所有内容块③ 实体增强的图谱搜索提取查询实体 → 初始化内容/实体分数 → 子图提取 → PPR传播 → 选Top-K内容块。三路结果聚合去重。目录回溯工具当初始检索证据不足时从当前内容节点的父目录向上回溯探索兄弟目录/内容节点扩展搜索范围以修正定位偏差。动态反思工具LLM持续评估证据充分性识别知识缺口若不足则生成精炼后的新查询触发下一轮检索直至充分或达到最大迭代次数。整体流程路由选择领域KG → 多路由检索 → 证据评估 → 若不足则目录回溯 → 若仍不足则动态反思生成新查询 → 重复直至充分或终止。三、实验与结果数据集四个无线领域节能ES、故障管理FM、体验保障EA、通用数据集GD。指标检索召回率RR和答案准确率AA。主要结果端到端性能VDGR-RAG在三个领域数据集上均取得最优如ES达98.5% RR / 97.6% AAEA达98.7% RR / 97.3% AA显著超越所有基线包括LinearRAG、E²GraphRAG、HippoRAG、A-RAG、BookRAG。消融实验每个组件TOC搜索、图谱搜索、反思、回溯、路由均有独立贡献。最大增益来自TOC智能体搜索AA提升12.1%证实目录结构的关键性。图谱搜索与反思互补增强完整组合M5相比朴素RAG提升AA达19.2%。知识库路由有效消除跨域噪音提升RR 4.2%、AA 2.8%。效率分析VDGR-RAG每个查询平均仅需4.14次LLM调用相比最强基线BookRAG7.22次减少42.7%同时准确率更高。四、核心贡献总结首次提出深度融合向量、目录、图谱和反思的统一RAG框架实现对企业层级知识的高效推理。创新设计分层异构知识图谱H²KG同时保留文档结构与语义关联避免昂贵的LLM关系抽取。构建模块化、可组合的智能体检索工具集路由、多路检索、回溯、反思灵活平衡精度与成本。在真实电信企业文档上验证显著性能提升召回率和准确率均大幅优于现有SOTA方法且LLM调用效率更高。VDGR-RAG证明了结构信息目录层级与语义信息向量、图谱以及迭代反思机制的深度协同是解决复杂企业知识问答的关键。该框架不仅适用于电信领域其设计理念——利用文档内在层级结构进行引导式检索结合多模态检索路径与自我反思——对任何具有复杂层级化文档的行业如金融、法律、医疗具有普适借鉴价值。这里是自己的论文阅读记录感兴趣的话可以参考一下如果需要阅读原文的话可以看这里如下所示摘要1 引言大型语言模型LLM如GPT-5.4 [Afridi et al., 2026]和Qwen-3 [Yang et al., 2025]已经彻底改变了企业知识管理和问答QA系统[Yue, 2025, Daull et al., 2023]。在这些进步的推动下企业越来越依赖LLM来自动化知识密集型任务例如技术支持[Yang et al., 2026]、产品文档检索[Gawde et al., 2026]和操作指导[Tomkou et al., 2025]。然而LLM面临关键限制知识截止约束和幻觉风险常导致过时或事实错误的响应[Ji et al., 2023]。为解决这些问题检索增强生成RAG已成为主流范式[Mei et al., 2025, Fan et al., 2024, Peng et al., 2025, Li et al., 2025b]它从外部语料库检索相关知识以扩充模型上下文并提高QA准确性。在实际企业应用中尤其是在电信等复杂领域将RAG应用于技术文档面临若干关键挑战。首先这些文档在标准规范中存在普遍的词汇和概念重叠。例如4G LTE和5G NR在相似的参数和流程上共享高度相似的技术描述使得检索模型难以区分相关段落与表面相似但上下文不同的段落。其次电信文档具有固有的多层次层级结构并包含大量的跨章节和跨文档引用。传统的RAG范式将文档视为平面文本块或为开放域构建知识图谱无法利用这种结构丰富性来同时解决领域特定的术语歧义并保持多层次的结构拓扑[Wang et al., 2025]。这些局限性严重阻碍了对复杂企业知识库的准确推理性能。现有的企业文档问答RAG方法大致可分为三类。第一类是基于向量的RAG将文档划分为文本块并构建向量索引用于相似性搜索[Lewis et al., 2020, Gao et al., 2023]具有计算效率和易于部署的特点非常适合企业应用。第二类是基于图谱的RAG在文本单元之间构建结构化关系以建模显式文档拓扑。代表性范式如GraphRAG [Edge et al., 2024]和RAPTOR [Sarthi et al., 2024]构建实体级知识图谱或递归文档树而近期的进展如HippoRAG [Gutierrez et al., 2024]和NodeRAG [Xu et al., 2025]则利用异构图谱结构实现跨块关系检索。第三类是智能体RAG或称基于推理的RAG采用LLM驱动的自主搜索和页面级索引导航例如PageIndex [Zhang et al., 2025a]来动态推理和反思文档目录并迭代检索相关内容。重要的是基于图谱的RAG和智能体RAG并非互斥相反它们分别在索引层面和检索层面对传统基于向量的RAG进行了正交升级第2节。尽管有这些进展现有方法仍存在两个主要局限性未能协同利用异构检索范式。当前的RAG系统难以充分利用上述三种范式的互补优势。基于向量的RAG计算延迟低但将文档视为平面块会牺牲全局语义连贯性并丢失结构上下文[Liu et al., 2024]。此外语义相似性与真实相关性之间的差距常导致高误报率[Zhang et al., 2025a]。智能体RAG通过动态导航实现了更高的精度但在大规模企业语料库上会产生过高的延迟。同时许多基于图谱的RAG方法主要针对开放域文本。依赖通用NLP工具包例如LinearRAG [Zhuang et al., 2025]中的spaCy无法提取电信等技术领域中的专业术语和非平凡关系。关键在于现有框架均未能在结构化的企业知识上有效整合这些不同检索范式的互补优势。缺乏跨领域知识库的路由。企业文档涵盖多个具有重叠术语的专业知识库例如无线设备的节能和故障管理的不同数据库。由于缺乏有效的领域级路由机制当前范式只能对所有知识库进行穷举搜索这会引入严重的上下文噪音并显著增加查询延迟。为解决这些局限性我们认为必须深度融合向量表示、目录结构、图谱拓扑和动态反思才能有效地对复杂的层级企业知识库进行推理。为此我们提出了VDGR-RAG一个智能体式GraphRAG框架它将向量检索、目录驱动的推理、图谱遍历和动态反思整合到一个统一的系统中以实现准确的企业知识问答。具体来说VDGR-RAG首先从文档语料库构建一个分层异构知识图谱H2KG以保留层级目录结构和语义实体关系然后部署一套可组合的原子化工具用于知识搜索。我们的方法不是强制执行僵化的线性搜索流水线而是使LLM智能体能够基于中间检索反馈动态协调这些工具来导航 H2KGH2KG。VDGR-RAG的工具集具体如下目录增强的路由工具为了解决跨域穷举搜索导致的严重上下文噪音问题该工具利用领域知识和多级TOC结构作为上下文基础。通过将用户查询投影到候选领域的TOC树上它生成带有置信度分数的多步路由决策精确地将查询引导至目标领域知识库同时修剪掉不相关的领域。多路由检索工具为了整合不同检索模式的互补优势该工具协调了三种异构路径(i) 朴素RAG结合密集向量搜索和BM25关键词匹配进行快速混合检索(ii) 基于TOC的智能体搜索利用基于向量的章节标题粗过滤随后由LLM进行精细选择实现结构感知导航以及 (iii) 图谱搜索提取关键查询概念作为种子在知识图谱上执行个性化PageRank (PPR)实现单步多跳推理和块-实体子图发现。这种多路由检索保证了高知识召回率同时不丢失结构上下文。目录回溯工具当初始的多路由检索返回的上下文不足或存在定位偏差时该工具使LLM智能体能够从当前检索到的位置开始探索文档层级中的相邻区域。通过分析父章节摘要和结构信息它动态地向上遍历并在TOC树中进行横向搜索以检索缺失的先决条件上下文并确保完整的知识覆盖。动态反思工具作为智能体工作流的大脑该工具持续评估检索到的上下文的充分性和相关性。在检测到歧义、信息缺口或执行失败时它会自主规划下一次搜索查询直到能够生成完整且高置信度的答案。本文的其余部分组织结构如下。第2节回顾了现有RAG技术的相关工作。第3节介绍了预备知识。第4节介绍了我们提出的分层异构知识图谱H2KG构建方法。第5节详述了VDGR-RAG的检索方法。第6节介绍了实验评估和性能分析。最后第7节总结全文。2 相关工作在本节中我们回顾了检索增强生成RAG范式在三个关键阶段的演变标准RAG系统、通过基于图谱的RAG进行的索引级增强以及通过智能体RAG进行的检索级升级。2.1 标准RAG系统检索增强生成RAG由Lewis等人[Lewis et al., 2020]提出旨在通过整合外部知识来减少LLM的幻觉。标准RAG流程通常遵循三阶段工作流分块、基于嵌入的检索和LLM生成。早期的稀疏和密集检索基线依赖于BM25 [Robertson and Zaragoza, 2007]和密集段落检索DPR[Karpukhin et al., 2020]。现代系统主要部署通过预训练编码器如BGE-Embedding [Xiao et al., 2023]和Qwen-Embedding [Zhang et al., 2025b]进行的向量搜索并使用如HNSW [Malkov and Yashunin, 2018]等近似最近邻算法进行语义匹配。然而这些基线方法将文档视为平面文本集合。它们仅依赖于点对点的词项或向量相似度忽略了技术文档的逻辑层级常常遗漏关键的上下文信息。2.2 基于图谱的RAG索引级增强为克服平面检索的局限性近期工作聚焦于通过引入知识图谱进行索引级升级。GraphRAG [Edge et al., 2024]构建实体图谱并使用社区检测为查询提供全局上下文。RAPTOR [Sarthi et al., 2024]通过迭代聚类和摘要构建递归树以支持多层次语义理解。其他许多工作如HippoRAG [Gutiérrez et al., 2024]、NodeRAG [Xu et al., 2025]、SubgraphRAG [Li et al., 2025a]和 E2 GraphRAG [Zhao et al., 2025]利用图谱拓扑来建模异构文档关系。通过在文本内部构建连接这些方法将检索从简单的点对点匹配转变为结构化上下文理解。然而这些基于图谱的RAG方法大多侧重于图谱实体链接而很大程度上忽略了固有的文档层级如多级目录TOC。一些工作尝试通过引入布局感知解析器[Xu et al., 2020, Shen et al., 2021]或构建文档树索引结构[Wang et al., 2025, Niu et al.,2025, Zhang et al., 2025a]来利用这些层级。然而这些方法难以充分利用TOC结构和图谱实体拓扑的独特优势。尽管最近的工作如BookRAG [Wang et al., 2025]尝试将两者结合但其基于TOC的推理严格限于挖掘额外实体以丰富PPR操作的实体子图而非引导直接的知识搜索。关键在于现有方法缺乏一种利用跨海量多文档存储库的TOC信息的领域路由机制。由于缺乏显式的领域路由和结构整合这些系统只能对所有技术手册进行穷举式全局搜索从而引入严重的上下文噪音并显著增加查询延迟。2.3 智能体RAG检索级升级除了索引结构智能体RAG将注意力转向通过使用LLM作为自主智能体来升级检索工作流本身[Yao et al., 2022]。Self-RAG [Asai et al., 2024]使模型能够自我批判和精炼检索到的内容。其他基于智能体的框架[Trivedi et al., 2023, Zhang et al., 2025a, Du et al., 2026, Wang et al., 2025, Jeong et al., 2024, Singh et al., 2025]部署LLM来规划搜索轨迹、分解复杂查询并选择合适的检索工具。通过引入LLM驱动的决策制定和动态反思智能体RAG将静态查找转变为交互式、多步的深度搜索。尽管有这些检索级的进步当前的智能体方法缺乏一个能无缝结合混合向量搜索、基于TOC的树导航、图谱遍历和动态反思以进行企业知识复杂推理的统一框架。3 预备知识在本节中我们正式定义企业知识问答任务介绍通用RAG范式并描述作为许多QA系统基础的朴素RAG基线。3.1 企业知识问答任务3.2 RAG范式离线索引与在线检索RAG范式包含两个顺序阶段离线索引和在线检索-生成。3.3 朴素RAG混合检索与重排序作为RAG范式最基本的实例化朴素RAG主要依赖密集向量检索进行语义匹配并辅以稀疏词汇搜索BM25和神经重排序。稀疏与密集候选检索。稀疏检索通过Elasticsearch使用BM25计算每个块文本内容的词汇匹配分数并返回按词汇相关性排序的顶级候选。同时密集向量检索计算查询向量与块向量在语义空间中的余弦相似度并返回按语义相关性排序的顶级候选。两条路径的结果随后通过分数融合例如倒数排名融合 [Cormack et al., 2009]合并形成一个统一的候选集。分数融合与重排序。一个交叉编码器重排序器对合并后的候选集计算最终相关性分数以选择前 K 个块4 分层异构知识图谱H2KG构建4.1 H2KG 结构概述4.2 从块集初始化节点4.3 边构建节点初始化后我们构建三种类型的边以建立结构引导的检索路径如图1右侧所示。4.4 LLM驱动的语义增强我们采用LLM驱动的流水线来为内容节点和目录节点增加新属性Summary从而在智能体检索过程中能够进行有效的相关性评估。内容节点摘要。对于每个内容节点 vcLLM评估其文本内容并生成一个捕获该块核心主题的语义摘要。这个简洁的摘要使得在智能体检索阶段例如目录回溯过程中的内容节点选择第5.4节能够快速评估块的相关性用高级主题描述来补充原始内容属性。目录节点摘要。由于目录节点缺乏文本描述它们的语义摘要通过自底向上的方式从其直接子节点递归合成。具体来说从最低的目录级别开始LLM接收一个目录节点的 Pathfull 及其所有直接子节点包括子目录和内容块的摘要以生成一个高级领域摘要。这个过程逐层向上传播直到到达根节点生成支持目录引导导航和路由的分层摘要。4.5 全局合并在所有单个文档的节点和边被实例化并进行语义增强后我们通过节点去重将每个文档的子图合并成一个统一的全局 H2KG。具体来说目录节点通过匹配其 Pathfull和 Verprod 进行合并确保来自不同产品版本的目录保持分离内容节点使用 Content 和 Source 进行去重防止不同文档中具有相同文本的不同块被错误合并实体节点通过匹配其唯一名称进行去重。当具有相同名称的实体节点被合并时它们之间任何重复的共现边也会通过将权重相加合并为一条更新后的边并且所有引用已移除节点的目录到内容边都会被重定向到保留的节点。5 VDGR-RAG 的智能体检索5.1 概述本节介绍VDGR-RAG的智能体检索机制该机制协调一套可组合的工具来导航 H2KG以实现准确的企业知识问答。如第1节所述工具集由四个组件组成目录增强的路由工具、多路由检索工具、目录回溯工具和动态反思工具。这些组件由中央LLM智能体基于中间检索反馈进行动态编排以对 H2KG 进行推理。本节其余部分详述每个组件。第5.2节介绍知识库路由用于将查询导向最相关的领域专属 H2KGH2KG同时过滤掉跨域上下文噪音。第5.3节详述多路由检索工具该工具在多个表示空间向量、目录和图谱中进行搜索以最大化知识召回的全面性。第5.4节介绍目录回溯用于在初始检索返回不完整上下文时跨兄弟分支扩展搜索范围。第5.5节描述动态反思工具该工具持续评估检索到的上下文的充分性和相关性并在检测到信息缺口时自主规划下一次搜索查询。最后第5.6节介绍将这些组件组合成统一流程的智能体检索流水线。5.2 知识库路由5.3 多路由检索5.4 目录回溯当多路由检索返回的证据集 E 不足时检索结果可能存在相对于真实知识位置的定位偏差。由于技术文档通常将相关的规范归组在共享的父目录下真实知识可能位于初始检索到的内容节点的兄弟节点中或者其祖先的兄弟节点的子树中。标准的向量搜索常常无法跨越这些结构边界而目录回溯旨在修正这种知识定位偏差。目录回溯的过程如图2(b)所示迭代进行如下在第一轮当前节点是路由1检索到的所有内容节点即 Cvec。它们的兄弟节点也是内容节点。LLM首先阅读这些兄弟内容节点的摘要以选择相关节点然后从选定的内容节点中提取补充证据以增强 E。如果LLM判断证据仍然不足目录回溯工具向上回溯一级当前节点变为上一轮的父目录节点。它们的兄弟节点是同一祖父目录下的兄弟目录节点。对于每个兄弟目录LLM进行自上而下的导航它阅读其子节点的摘要并选择相关的子节点进行下探直到到达叶子内容节点。然后LLM根据摘要选择相关的内容节点并从这些节点中提取证据以增强 EE。这种向上回溯重复进行直到收集到足够的证据或达到最大回溯深度整个过程不断扩充证据集 E。5.5 动态反思5.6 智能体检索流水线上述组件是完全模块化和可组合的支持灵活的流水线配置。目录回溯和动态反思可以各自独立启用或禁用允许系统根据操作要求在检索质量和计算成本之间取得平衡。6 实验我们进行了广泛的实验以评估VDGR-RAG在跨四个无线电信领域的企业知识问答上的表现。我们将VDGR-RAG与代表性的基线方法在知识召回率和答案准确率方面进行了比较并进行了消融实验以验证每个检索工具和知识库路由模块的贡献。表1数据集统计。RR表示检索召回率AA表示答案准确率。表2基线方法与所提出框架在领域特定QA数据集上的性能比较。最佳结果以粗体突出显示。6.1 实验设置数据集。我们在电信领域的企业产品文档上评估我们的框架涵盖四个数据集节能ES、故障管理FM、体验保障EA以及一个大型通用数据集GD。其中ES、FM和EA数据集聚焦于电信领域内的特定子领域而GD则涵盖通用电信领域。测试查询由公司内部测试团队提供涵盖简单的单跳检索、复杂的多跳推理以及跨领域知识聚合总计约700个问题。由于计算资源限制我们仅在ES、FM和EA上复现了开源基线方法在规模更大的GD数据集上我们进行了自我评估和消融研究。此外我们将ES、FM和EA数据集合并为一个语料库以测试知识库路由模块。这些数据集的详细统计数据见表1。评估指标。我们采用两种指标来评估检索质量和端到端的答案生成质量。具体而言检索召回率RR衡量检索到的上下文对真实证据的覆盖程度。答案准确率AA衡量生成的答案与真实答案相比的准确程度反映了RAG流水线的整体正确性。这两个指标均由一个LLM评判器进行评估该评判器遵循“LLM即评判者”范式[Zheng et al., 2023]将每个结果与真实值进行比较。基线方法。我们将VDGR-RAG与五种代表性问题方法进行比较这些方法涵盖两种架构范式。基于图谱的RAGLinearRAG [Zhuang et al., 2025] 构建了一个无关系层级图Tri-Graph采用轻量级实体提取和语义链接E²GraphRAG [Zhao et al., 2025] 构建了一个摘要树和一个具有双向实体-块索引的实体图谱用于自适应局部-全局检索HippoRAG [Gutiérrez et al., 2024] 在OpenIE知识图谱上应用个性化PageRankPPR进行动态节点排序。智能体RAGA-RAG [Du et al., 2026] 向智能体暴露层级化检索接口关键词搜索、语义搜索和块读取以实现自适应多粒度检索BookRAG [Wang et al., 2025] 在层级化树-图谱书索引BookIndex上执行智能体规划。实现细节。所有方法共享相同的分词器、嵌入模型Qwen3-Embedding-8B[Zhang et al., 2025b, Yang et al., 2025]以及由公司内部文档处理流水线生成的同一组块以确保公平比较。Qwen3.6-27B模型作为所有配置中的骨干生成器。对于VDGR-RAG目录回溯和动态反思默认启用最大回溯深度和最大反思迭代次数均设为3。对于多路由检索我们设定路由1和路由3的 K10路由2中候选目录节点选择的 L50路由3中内容节点候选选择的 N10实体节点候选选择的 M200以及路由3中平衡超参数 β0.8。6.2 结果6.2.1 端到端问答性能多路由检索的有效性。跨范式比较基于图谱的RAG和智能体RAG在不同数据集上各有优势。例如在ES上HippoRAG取得了最高的AA77.1%而在FM上A-RAG取得了最佳AA83.9%。这种跨范式的差异表明基于图谱的检索和智能体检索都是有益的。BookRAG采用了基于树图的智能体检索在三个数据集上取得了所有基线中最好的整体性能这证实了整合基于图谱和智能体检索模式的互补性和必要性。然而如上所述BookRAG将图谱搜索和TOC推理耦合在一个单一的检索路径中阻止了每种模式各自优势的充分发挥。VDGR-RAG在所有数据集上均显著优于BookRAG表明解耦的多路由检索与统一推理有效地利用了每条路由的互补优势。6.2.2 消融实验与分析消融实验1检索工具有效性。表3展示了在GD数据集上的渐进式消融实验。从朴素RAG基线M1开始我们逐步添加每个检索组件并观察其边际贡献。主要发现如下朴素RAG提供了一个强大且高效的基线。M1已达到 80.5% 的RR和 76.5% 的AA表明混合稀疏-密集检索与神经重排序可以捕获大部分相关证据。考虑到其低计算成本和最小延迟朴素RAG在RAG系统中是不可或缺的基础所有后续改进都建立在这个高效基线之上。基于TOC的智能体搜索带来了主要提升。添加基于TOC的智能体搜索M1→M2带来了最大的改进AA提高了 12.1%。这证实了利用层级文档结构对于领域特定QA至关重要基于TOC的智能体搜索允许LLM通过目录驱动的推理直接定位知识而不是依赖嵌入相似性从而克服了语义相似性不等同于相关性的基本限制。图谱搜索和反思提供了互补的益处。从M2基线开始添加实体增强的图谱搜索M2→M3使AA提高了 1.9%而添加动态反思M2→M4使AA提高了 3.8%。这两个模块处理不同的失败模式图谱搜索发现平面检索遗漏的跨块实体关系从而促进多跳推理而动态反思迭代评估证据充分性并生成精炼查询以填补剩余的知识空白。完全整合产生最佳结果。结合所有组件M5达到了 96.9% 的RR和 95.7% 的AA比朴素RAG基线提高了 19.2%。M5优于M3和M4的事实表明图谱搜索和动态反思是相互增强而非冗余的图谱搜索扩展了证据边界而反思则精炼了检索焦点形成一个自我改进的检索循环。这些结果证实了向量、目录、图谱和反思都是必要的——每个组件解决一种不同的失败模式它们的协同作用对于实现最佳性能至关重要。目录回溯的效果。如表4所示在ES数据集上在多路由检索基础上添加目录回溯将R从 97.2% 提高到 98.3%AA从 95.8% 提高到 97.0%这表明回溯能够通过沿目录树导航来恢复初始检索遗漏的相关内容。然而在GD数据集上目录结构极其庞大且嵌套很深。最大深度为3的回溯几乎未带来增益因为相关内容通常位于层级深度超过3的地方。这表明目录回溯在文档层级规模适中时最为有益。消融实验2知识库路由。表5在合并的ESFMEA语料库上评估了路由模块。没有路由时智能体联合搜索所有领域引入了跨域实体噪音和误导性术语。知识库路由通过将查询引导至目标领域 H2KG 消除了这种污染RR提高了 4.2%AA提高了 2.8%。此外知识库路由预计还能通过将搜索空间限制在目标领域来降低检索延迟这对于大规模部署至关重要。6.3 效率分析除了检索质量智能体检索的计算成本是实际部署的关键考量。我们将VDGR-RAG与BookRAG的LLM调用效率进行了比较BookRAG是同样采用结合目录树和实体图谱的图结构的最强基线因为每个查询的LLM调用次数直接决定了延迟和成本。如图3所示VDGR-RAG在显著更高的准确率下所需的LLM调用次数远少于BookRAG。平均而言VDGR-RAG在三个数据集上每个查询需要4.14次LLM调用而BookRAG需要7.22次——减少了 42.7%。这种效率差距在ES上最为明显BookRAG每个查询需要8.37次调用而VDGR-RAG仅需4.16次同时AA达到了 97.6% 对比 74.9%。关键原因在于BookRAG首先判断查询是否复杂并将复杂查询分解为子问题然后独立地为每个子问题进行检索导致LLM调用次数与子问题数量成正比。相比之下VDGR-RAG依赖于更稳健的多路由检索直接处理原始查询而无需分解从而减少了LLM调用次数。7 结论在本文中我们提出了VDGR-RAG一个智能体式GraphRAG框架它整合了向量、目录、图谱和反思用于准确的企业知识问答。VDGR-RAG的核心是 H2KG一个能同时保留文档目录结构和实体关系的分层异构知识图谱。在 H2KG 之上VDGR-RAG协调了几个可组合的检索工具一个目录节点增强的路由工具将查询导向目标领域知识库一个多路由检索工具结合向量搜索、基于TOC的智能体搜索和实体增强的图谱搜索实现全面的证据收集一个目录回溯工具修正知识定位偏差以及一个动态反思工具迭代精炼检索过程。在跨四个电信领域的企业产品文档上进行的大量实验表明VDGR-RAG在检索召回率和答案准确率方面均显著优于代表性的基线方法。