RAGA：用于自主知识图谱构建和检索增强生成的阅读与图谱构建智能体

# RAGA：用于自主知识图谱构建与检索增强生成的阅读建图智能体

来源：https://arxiv.org/html/2605.17072

###### 摘要

现有的大语言模型（LLM）驱动的知识图谱（KG）构建方法主要采用无状态的批量处理管线，在跨片段语义关系捕获、实体消歧和构建过程可解释性方面存在结构性缺陷。这些局限损害了KG质量、检索精度以及在高风险领域的部署信任。我们提出RAGA（阅读建图智能体），一种基于LLM的自主KG构建与检索融合框架。RAGA提供支持KG全生命周期CRUD操作的原子工具集，并将"阅读–搜索–验证–构建"的认知约束嵌入ReAct工具循环中。KG-向量同步机制实现了符号-向量混合检索，同时基于证据锚定的验证将每条知识条目链接到其源文本，提供可审计的来源追溯。在QASPER科学问答数据集子集上的初步实验表明，RAGA的融合检索优于零样本基线，KG集成在答案质量和证据质量两方面均带来了可衡量的提升。该框架设计与实验基线为智能体驱动的自主KG构建提供了参考依据。

## 1 引言

知识图谱（KG）将异构信息组织为可计算、可推理的图结构，以实体为节点，关系为边。在自然语言处理中，KG为语义搜索、问答和文本理解提供显式的世界知识约束[Zhu et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib1)]。在科学发现中，KG被用于从文献中提取领域知识，构建可演化的学科知识网络[Dasigi et al., 2021 (https://arxiv.org/html/2605.17072#bib.bib2), Zhang and Soh, 2024 (https://arxiv.org/html/2605.17072#bib.bib3)]。随着大语言模型（LLM）的普及，KG与LLM的协同集成已成为一个突出的研究方向[Zhu et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib1)]。传统的KG构建依赖人工标注和专家定义的规则，成本高且可扩展性有限。研究者已探索利用LLM的语义理解能力从非结构化文本中自动提取实体和关系，形成了一系列LLM驱动的构建方法[Zhang and Soh, 2024 (https://arxiv.org/html/2605.17072#bib.bib3), Lairgi et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib4)]。虽然在受控环境下有效，但这些方法在大规模、增量式、多源异构数据场景下存在三个结构性缺陷。

检索增强生成（RAG）技术为LLM与KG的深度融合提供了技术路径。Lewis等人[Lewis et al., 2020 (https://arxiv.org/html/2605.17072#bib.bib5)]提出的RAG框架将外部知识库与参数化语言模型相结合，有效缓解了LLM的幻觉问题。Gao等人[Gao et al., 2023 (https://arxiv.org/html/2605.17072#bib.bib6)]对RAG技术进行了系统综述，指出其从简单的向量检索向结构化知识检索演进的趋势。KG作为结构化的外部知识源，为LLM提供精确且可验证的事实依据；而LLM则为KG的构建与补全提供语义理解能力。在LLM驱动的KG构建方面，Edge等人[Edge et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib7)]提出了GraphRAG，采用"局部到全局"的构建策略，对文本片段进行局部知识提取，并通过社区检测构建全局摘要图。Guo等人[Guo et al., 2025 (https://arxiv.org/html/2605.17072#bib.bib8)]提出了LightRAG，通过双层检索机制优化KG查询效率。Liang等人[Liang et al., 2025 (https://arxiv.org/html/2605.17072#bib.bib9)]提出了KAG，为专业领域设计了知识增强的生成管线。Lairgi等人[Lairgi et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib4)]提出了iText2KG，采用增量式构建策略，支持从零样本场景逐步构建KG。这些方法遵循固定的批量处理管线，缺乏对构建过程的动态调节。

现有方法存在三个结构性缺陷。

**第一，跨片段长距离语义关系丢失。**现有方法将长文档分割为固定长度的文本片段，并对每个片段独立进行知识提取，切断了跨片段的语义关联。例如，一篇科学论文引言中介绍的方法，可能在实验部分被具体描述，在讨论部分被比较评估。如果每个片段独立提取，这些跨片段的因果、比较和演化关系无法被有效捕获。尽管GraphRAG[Edge et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib7)]通过社区检测建立了全局关联，但其全局摘要仍是局部信息的聚合，并未恢复细粒度的跨片段关系。

**第二，实体冗余与消歧不充分。**当同一实体在文本中以不同表面形式出现时，传统方法无法将其识别为同一节点，导致KG中产生冗余的语义重叠节点。"Convulutional neural network"、"CNN"和"Convolutional Neural Network"均指代同一概念。若缺乏有效的实体链接与消歧，它们会被创建为多个独立节点。随着数据源增加，语义冗余呈指数级增长，稀释了KG的信息密度。EDC框架[Zhang and Soh, 2024 (https://arxiv.org/html/2605.17072#bib.bib3)]提出了实体规范化流程，但其在增量构建场景下的消歧能力有限。

**第三，构建过程不可解释、不可审计。**传统方法将知识提取视为端到端的黑箱：输入文本，输出三元组。研究者无法追溯知识条目源自哪些原始文本，也无法了解其推理过程。在科学研究、医疗决策等对可解释性要求高的领域，缺乏透明构建过程的KG难以赢得部署信任。Sarthi等人[Sarthi et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib15)]提出了RAPTOR，通过递归抽象处理增强了检索层级，但缺少细粒度的来源追溯。Dasigi等人[Dasigi et al., 2021 (https://arxiv.org/html/2605.17072#bib.bib2)]构建了QASPER数据集，强调了证据锚定的重要性，但现有方法很少将证据来源作为核心设计目标。

研究者已尝试将智能体技术应用于KG构建，将其塑造为一个动态认知过程。在此范式中，智能体通过迭代地感知文本、检索已有知识、验证新发现并更新知识库，实现增量式、交互式的知识构建。Yao等人[Yao et al., 2023 (https://arxiv.org/html/2605.17072#bib.bib10)]提出了ReAct范式，将推理与行动交织，使用思维链引导LLM进行多步决策，为智能体驱动的KG构建奠定了关键基础。Jiang等人[Jiang et al., 2025 (https://arxiv.org/html/2605.17072#bib.bib11)]提出了KG-Agent，通过工具调用实现对KG的复杂推理。然而，该框架仅支持对现有KG的读操作，缺乏创建、更新和删除能力，无法实现自主KG构建。Anokhin等人[Anokhin et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib12)]提出了AriGraph，使用双层记忆架构为LLM智能体构建世界模型KG表示，但缺乏向量空间集成与主动实体消歧。

工具能力不完整是主要限制之一。KG-Agent专注于对现有KG的复杂推理，其工具集针对查询和检索进行了优化，缺乏自主KG构建所需的写操作。KG构建是一个持续演化的知识管理过程，需要实体创建、属性更新、错误信息删除和重复节点合并。缺乏完整CRUD能力的智能体无法自主完成全生命周期管理。

不透明的认知工作流是另一个约束。虽然iText2KG[Lairgi et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib4)]支持文本流的顺序处理，但其内部提取逻辑仍是一个黑箱，缺乏显式的认知阶段划分。人类专家构建KG时会经历阅读、理解、验证和构建阶段；当前方法并未将这一工作流结构化地嵌入构建过程。

记忆空间与向量空间的分离也值得关注。AriGraph的[Anokhin et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib12)]双层记忆架构区分了情节记忆和语义记忆，但语义记忆采用符号图存储，未与稠密向量表示实时对齐。现代RAG系统将向量检索和图检索视为互补的知识访问方式；若符号层与向量层长期不同步，将导致检索不一致[Sarmah et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib14)]。

为了解决这些结构性缺陷，本文提出了一种基于LLM的自主KG构建与检索融合方法，并以RAGA（阅读建图智能体）框架作为其实现。主要贡献如下：

- **自主知识操作工具集。**该工具集围绕阅读行为设计，包括段落阅读、上下文浏览、融合检索、实体和关系的CRUD操作、合并操作、人工审核标记、延迟任务和进度查询。工具集使智能体能够自主管理KG的完整生命周期。
- **LLM驱动的阅读–搜索–验证–构建认知循环。**将人类专家的知识构建过程结构化为ReAct风格的多轮工具调用循环。阅读阶段解析文本片段并识别重要信息；搜索阶段利用现有KG和上下文检索相关证据；验证阶段利用原始文本和工具返回结果判断新知识的可靠性；构建阶段将验证后的知识以标准化形式写入KG。阅读进度状态机管理长文档处理，包含四个状态：PENDING、READING、VERIFIED、ARCHIVED。
- **KG-向量同步机制。**写入KG结构化对象后，系统补充片段、实体或超节点的向量表示，并进行跨存储的引用回写。若向量写入失败，系统通过回滚已写入图对象并记录告警进行补偿。这使得智能体在混合检索中能同时利用图结构推理和向量语义匹配。
- **证据锚定验证。**KG中所有主要知识条目均关联其原始文本证据。系统维护结构化的来源记录，包括源文本片段、证据片段、操作类型和置信水平等元数据，实现知识条目的逆向来源追溯。

## 2 相关工作

### 2.1 基于智能体的知识图谱构建

将智能体技术应用于KG构建，旨在利用LLM的推理和规划能力，将知识提取从固定的批量处理管线转变为动态交互的认知过程。KG-Agent[Jiang et al., 2025 (https://arxiv.org/html/2605.17072#bib.bib11)]是这一方向的代表性工作。该框架通过模块化工具接口支持对KG的多跳推理，将知识查询、路径推理和答案生成封装为独立工具函数。KG-Agent的主要优势在于多跳推理的准确性和速度。然而，其工具集仅限于对现有KG的读取和推理，缺乏写操作能力（实体创建、关系添加或知识修正）。这使得它无法用于从零开始的增量KG构建。AriGraph[Anokhin et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib12)]具有双层记忆模型：情节记忆存储智能体交互轨迹，语义记忆以KG形式保存结构化世界模型知识。AriGraph的语义记忆仅支持符号图查询，未与稠密向量表示集成，无法通过向量相似度进行语义检索。AriGraph缺乏主动实体消歧机制；当同一实体以不同表面形式出现时，系统会创建新节点而非与现有节点合并。UrbanKGent[Ning and Liu, 2024 (https://arxiv.org/html/2605.17072#bib.bib13)]针对城市KG构建，提出了智能体驱动的构建与补全管线，利用智能体规划能力协调地理实体识别、空间关系提取和领域知识补全子模块。虽然展示了智能体框架在垂直领域的应用潜力，但其地理编码规则和空间关系模板难以迁移到其他领域。在通用智能体记忆管理方面，MemGPT[Packer et al., 2023 (https://arxiv.org/html/2605.17072#bib.bib16)]将LLM类比为操作系统，区分了容量有限的"主上下文"和可分页的"外部记忆"，用于动态上下文资源分配。MemoryBank[Zhong et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib17)]基于时间衰减和重要性采样设计了长期记忆存储与检索机制。两项工作均聚焦于通用对话场景，未针对KG特定的结构化特征进行优化。

### 2.2 LLM驱动的知识图谱提取

LLM驱动的KG提取旨在利用LLM的语义理解和生成能力，从非结构化文本中自动提取实体、关系和属性信息。按处理策略，现有方法可分为批量处理和增量处理两类。批量处理方法主要包括GraphRAG[Edge et al., 2024 (https://arxiv.org/html/2605.17072#bib.bib7)]和LightRAG[Guo et al., 2025 (https://arxiv.org/html/2605.17072#bib.bib8)]。GraphRAG采用局部到全局的构建方式：首先将文档分割为固定长度的文本片段，使用LLM从每个片段中提取实体和关系以形成局部知识子图，然后通过社区检测生成全局摘要。该策略适合需要全局一致性的离线大规模文档集合，但片段划分过程牺牲了细粒度的跨片段语义关联捕获，并缺乏跨片段实体对齐，容易产生语义冗余节点。LightRAG采用双层检索机制：底层进行具体实体检索，高层进行抽象概念检索，提高了检索效率。然而，其构建阶段使用批量处理。