用于免训练多跳问答的图与文本记忆协同进化

# 图-文共同演化记忆：无需训练的多跳问答系统
来源：https://arxiv.org/html/2607.23278
Thien Huu Nguyen 俄勒冈大学，美国 thienn@uoregon\.edu

###### 摘要

多跳问答需要在推理步骤间协调关系证据和文本证据，而单独的文本语料库或知识图谱都无法同时提供这两者。先前的工作往往只强调这一循环中的一部分：图增强RAG从预构建或查询更新的图中检索，KGQA系统在以主题为中心的子图中搜索，而记忆增强代理则维护不断演化的记忆，却未能持续协调图记忆与文本上下文。我们提出Co-E，一个围绕同步双向图-文本工作记忆构建的无需训练系统。其同步周期整合文本记忆，提取关系三元组并入图记忆，并将图事实注入生成上下文。由于两种记忆都被维护，它们塑造了后续的检索与生成。在六个多跳问答基准上，Co-E在可比的无训练开源骨干基线中表现优越，并能与更大或经过训练的系统竞争。111代码库见 https://github.com/hieum98/wemg

# 图-文共同演化记忆：无需训练的多跳问答系统

Hieu Man 俄勒冈大学，美国 hieum@uoregon\.edu Thien Huu Nguyen 俄勒冈大学，美国 thienn@uoregon\.edu

## 1 引言

检索增强生成（RAG）已成为知识密集型问答的主导范式（Zhao 等人，2024；Singh 等人，2026）。然而，多跳问题揭示了一个比检索召回更深的局限性。后续证据往往依赖于仅在前一跳被解决后才发现的实体、关系或约束。一段文本可能揭示一个桥接实体，从而应扩展图的边界；一条图边可能揭示一个约束，从而应重塑下一个文本查询。标准的RAG流程无法进行这种更新，因为它们在选择上下文时推理尚未展开。同样，依赖于预构建语料图或固定主题中心候选子图的图增强方法，无法在推理过程中完全修正其关系状态，导致错失桥接实体、保留噪声边和不完整路径。核心挑战在于维护一种推理状态，其中文本证据和关系结构在构建答案的过程中相互修正。

现有系统解决了部分问题，但通常偏向于推理状态的一侧。语料图RAG系统在推理前构建图索引并从中检索（Dong 等人，2026；Ma 等人，2026；Zhou 等人，2026b）。KGQA系统如ToG（Sun 等人，2024）和ToG 2.0（Ma 等人，2025）改进了基于知识图谱的推理，但依赖于预先存在的拓扑结构，且不维护配对的文本工作记忆。图搜索方法如MCTS-KBQA（Xiong 等人，2025）和ReKG-MCTS（Song 等人，2025）遍历固定边界而非扩展它。另一条并行路线是为代理配备演化记忆：HGMem（Zhou 等人，2026a）从检索文本构建超图记忆，SubQRAG（Li 等人，2025a）累积提取的三元组作为图记忆，而SE-Search（Li 等人，2026a）、MemSearch-o1（Zhang 等人，2026）和A-MEM（Xu 等人，2025）维护文本或反思性记忆。这些系统表明维护的记忆是有用的；但文本记忆和图记忆如何在同一个推理循环中相互修正，这一点仍较少探索。

我们认为这种耦合需要图与文本在同一推理步骤内的双向共同演化。当一段文本提及一个新实体时，它应可用于图的扩展；当一个三元组被提取或检索到时，它应进入下一个生成步骤的文本上下文。缺少任何方向，系统要么积累非结构化文本而必须从头重新解释，要么遍历一个包含有用事实却未暴露给生成器的图。我们引入了Co-E（共同演化），一种围绕同步图-文本工作记忆构建的无需训练的多跳问答系统。Co-E维护一个共享记忆，其中包含两个耦合的存储：与问题相关的文本片段和图记忆（包括知识图谱模式三元组和开放词汇三元组）。在每个步骤，Co-E从文本和知识图谱流中检索，过滤证据，并应用一个四操作同步周期：整合文本证据，提取三元组并合并入图记忆，将存活的图事实注入回文本记忆，并重新整合上下文。这个周期让文本扩展图的边界，同时图结构为后续生成提供基础。由于相同机制在推理时运行，Co-E无需微调，既适用于多跳文本问答也适用于KGQA场景。

实验上，Co-E在涵盖文本问答和KGQA的六个基准上取得了强劲结果。使用Qwen3-8B骨干模型且无需训练，Co-E在2WikiMultiHopQA上达到72.6的精确匹配（EM），在Bamboogle上达到70.0 EM，在CWQ上达到74.9的Hits@1，优于可比的开源骨干基线，并能与更大或经过训练的系统竞争。

## 2 相关工作

我们根据证据在多跳推理过程中的表示和更新方式组织先前工作。

**基于语料的检索与代理搜索。** 基于语料的RAG方法将复杂问题分解为子查询，并交错检索与中间推理。IRCoT（Trivedi 等人，2023）交替进行检索和思维链推理，而HopRAG（Liu 等人，2025）、ComposeRAG（Wu 等人，2025）和RT-RAG（Shi 等人，2026）改进了查询分解、结构化提示或推理树构建。一条相关线路训练或提示代理进行多轮搜索，如Search-R1（Jin 等人，2025）和MR-Search（Xiao 等人，2026）。这些系统使检索具有适应性，但证据主要仍然是文本。关系结构必须从片段推断，而非作为显式状态维护。Co-E通过图记忆补充了自适应检索，使得实体和关系对后续检索和生成可用。

**图增强RAG与知识图谱推理。** 图增强方法为RAG添加结构化证据，但许多依赖于在推理轨迹之前或之外固定的图结构。语料图系统如HippoRAG 2和C2RAG（Gutiérrez 等人，2025; Ma 等人，2026）在文本上构建类图索引，并在推理时从中检索。EA-GraphRAG（Dong 等人，2026）、GraphAnchor（Liu 等人，2026）、PAGER（Li 等人，2026b）和Graph-R1+EKA（Wang 等人，2026）改进了结构化证据的检索时机或方式。KGQA系统在选择图边界方式上有所不同。学习/子图系统如SubgraphRAG（Li 等人，2025b）、GNN-RAG（Mavromatis and Karypis，2025）和iQUEST（Wang and Yu，2025）在将证据交给大语言模型（LLM）之前学习或计算查询特定子图。实时知识图谱方法如ToG（Sun 等人，2024）、ToG 2.0（Ma 等人，2025）、PoG（Tan 等人，2025）、Interactive-KBQA（Xiong 等人，2024）、MCTS-KBQA（Xiong 等人，2025）、ReKG-MCTS（Song 等人，2025）和KERAG（Sun 等人，2025）专注于在推理过程中遍历或查询知识图谱。经过训练的图推理系统如RoG（Luo 等人，2024）、KBQA-R1（Sun 等人，2026）和GraphWalker（Xu 等人，2026）通过监督学习或强化学习改进了检索或推理。这些系统提供了强大的图检索；Co-E则专注于在推理过程中同步结构化和文本工作状态。

参考图注 图1：Co-E框架。左：MCTS模式，其中同步的共享记忆引导树的扩展。右：四阶段推理循环。每一步从共享图-文本记忆M\(^{(t)}\)生成子查询，检索文本片段S\(^{(t)}\)和图三元组R\(^{(t)}\)，生成中间答案，并应用双向同步Sync来产生下一步的记忆M\(^{(t+1)}\)。

**记忆增强推理。** 记忆增强推理系统在推理或搜索步骤间维护中间状态，无论是文本、图还是两者兼有。HGMem（Zhou 等人，2026a）从检索文本构建超图记忆。在图记忆系统中，SubQRAG（Li 等人，2025a）与Co-E最为接近：它分解问题，在图不足时查阅源文档，并将提取的三元组积累到图记忆中。SE-Search（Li 等人，2026a）通过“思考-搜索-记忆”循环纯化证据，MemSearch-o1（Zhang 等人，2026）增长与推理对齐的记忆路径，A-MEM（Xu 等人，2025）回溯性地修正文本笔记。这些工作表明记忆应该被维护，而不仅仅是积累。Co-E是互补的：它不将记忆视为单纯的文本笔记存储或仅图轨迹，而是维护配对的文本和图记忆，并在每个推理步骤后对它们进行协调。因此，图事实被注入回文本上下文中，从而影响后续的检索和生成。

## 3 方法

### 3.1 系统概述

给定一个问题\(q\)，Co-E通过一个迭代推理过程在共享的图-文本记忆上回答它。在步骤\(t\)，记忆表示为：
\[
\mathcal{M}^{(t)} = \bigl(\mathcal{T}^{(t)}, \mathcal{G}^{(t)}\bigr)
\]
其中\(\mathcal{T}^{(t)}\)是文本记忆，\(\mathcal{G}^{(t)}\)是图记忆。Co-E在每次推理步骤后更新这两种记忆，同时生成最终答案\(a\)。与将检索到的图上下文视为固定不变的处理方式不同，Co-E主动维护\(\mathcal{G}\)：它可以添加从文本派生的三元组，剪枝无关边，并将存活的事实写回文本记忆。

每个推理步骤有四个阶段。首先，**请求生成**从原始问题和当前记忆产生一个聚焦的子查询\(q^{(t)}\)。其次，**双流检索/搜索**检索文本片段\(S^{(t)}\)和图三元组\(R^{(t)}\)。第三，**响应生成**产生一个中间答案或推理状态\(y^{(t)}\)。第四，**记忆同步**通过一个双向操作更新两种记忆：
\[
\bigl(\mathcal{T}^{(t+1)}, \mathcal{G}^{(t+1)}\bigr) \leftarrow \mathrm{Sync}\bigl(\mathcal{T}^{(t)}, \mathcal{G}^{(t)}, S^{(t)}, R^{(t)}, y^{(t)}\bigr)
\]
Co-E支持MCTS和CoT两种推理模式；两者使用相同的检索和同步机制，仅在如何选择下一个子查询上有所不同。

### 3.2 共享图-文本记忆

Co-E维护一个单一的共享记忆对象，而不是独立的每跳上下文。每一步都从当前记忆读取，并将验证后的证据写回同一记忆，因此早期证据可以影响后续检索和生成。

**文本记忆。** 文本记忆\(\mathcal{T}\)存储自包含、与问题相关的片段：提取的证据、中间子答案、验证器反馈以及从图三元组生成的自然语言陈述。原始文档从不进入记忆；一个提取器将每个检索到的文档过滤为原子片段。

**图记忆。** 图记忆\(\mathcal{G}\)是一个有向图，包含实体和关系。**知识图谱模式三元组**是规范化的，直接从知识库中检索。**开放词汇三元组**从文本记忆中提取，并使用自然语言关系标签。前者提供可靠的基于模式的结构，而后者让Co-E能表示文本中表达但知识图谱模式中缺失的关系。一个共享的实体词典将\(\mathcal{T}\)中的表面提及与\(\mathcal{G}\)中的知识图谱标识符关联起来，使得文本证据和图证据可以指向相同的实体。

在三元组合并到\(\mathcal{G}\)之前，一个三元组剪枝器会移除无关、冗余或矛盾的关系边。解析到相同知识图谱标识符的节点被合并，孤立的低价值节点被丢弃。因此，图记忆是主动维护的，而非单调累积的。

### 3.3 双向记忆同步

同步操作符是Co-E的核心机制。它通过四个操作使文本和图记忆共同演化。

**文本整合。** Co-E首先整合\(\mathcal{T}^{(t)}\)、新检索的片段\(S^{(t)}\)以及中间响应\(y^{(t)}\)。整合器对重叠片段去重，合并互补证据，并撤回矛盾的中间预测。这防止记忆变成一个不断增长的噪声上下文块。

**文本到图的传播。** 从整合后的文本记忆中，一个实体链接器识别实体，并尽可能将其映射到知识图谱标识符。一个关系提取器随后从文本中提出开放词汇三元组。这些三元组与知识图谱三元组\(R^{(t)}\)结合，经过相关性和一致性剪枝，然后合并到\(\mathcal{G}^{(t)}\)中。这一步让新发现的文本证据能够扩展关系边界。

**图到文本的传播。** Co-E将存活的图三元组文本化，并将它们作为明确的关系陈述附加到文本记忆。这使生成器能够直接以自然语言访问图约束，而不必从图结构中单独推断。

**文本重新整合。** 最后，在注入图派生陈述后，整合器对文本记忆运行第二次处理。结果是一个连贯的记忆状态\(\mathcal{M}^{(t+1)}\)，其中文本证据和图证据已得到协调。这个更新后的记忆