MOSAIC: 面向GraphRAG的查询感知探索策略自适应

# GraphRAG的查询感知探索策略适配技术报告
来源：https://arxiv.org/html/2609.11065  
金庆振 金镇完 李惠 Woo  
附属机构：宋敏尚、张亨俊、尹俊英  
附属机构：KT公司  

2026年9月

###### 摘要

图检索增强生成（GraphRAG）能够连接语料库图中分散的证据，但大多数系统对每个查询执行大致相同的探索过程。这造成了结构上的不匹配：直接事实可能需要紧凑的局部邻域，比较问题需要对多个目标进行平衡覆盖，而中介性问题可能需要通过弱查询相关的连接器进行更深层次的路径探索。我们提出了**Mosaic**，这是一个无需训练的框架，它将GraphRAG检索形式化为一个每查询的控制问题。LLM分析器将查询隐含的证据需求转化为针对种子选择、图遍历、累积增益停止和证据选择的可执行策略。语料库图、索引、评分函数、基础程序和答案生成器保持共享。当前的分析器使用六个代表性考虑因素——中介性、输出基数、种子覆盖、锚定需求、身份-关系依赖性和完整性——作为可组合的推理信号，而非互斥的查询类别或封闭分类法。

在GraphRAG-Bench上，**Mosaic**在医疗类获得76.97的查询加权答案正确率，在新领域类获得64.33，分别比之前报告的最佳整体结果提高了5.13和4.43个百分点。在医疗类，它达到了95.1的证据召回率和86.1的上下文相关性。在相同图和生成器上的受控比较表明，没有固定的窄、中或宽策略能始终达到最优；**Mosaic**比最强的经典固定策略提高了9.96个百分点。与固定宽策略相比，它评估的路径减少了81.9%，保留的证据项减少了47.2%，尽管其单独的分析器调用增加了端到端延迟。在HotpotQA、MuSiQue和2WikiMultiHopQA上的迁移实验进一步表明，该策略接口无需特定基准的检索器训练即可应用。这些结果支持分析器驱动、特定于查询的探索作为GraphRAG的通用和可扩展设计原则。

**技术报告范围**：本报告将该方法、实现细节、受控分析、迁移实验和定性案例整合在一份文档中。**Mosaic**并非一个六规则检索系统：它是一个用于实例化特定查询检索策略的分析器驱动框架。当前实现中的六个考虑因素是从观察到的检索失败中得出的代表性且可扩展的设计信号。

## 1 引言

检索增强生成（RAG）将语言模型的输出建立在外部证据之上[9]。GraphRAG扩展了这一思想，将实体、关系、段落或社区表示为图，并为需要关系跟踪、多跳推理或跨来源综合的问题检索连接的证据[3, 4]。图提供了有用的结构，但也带来了一个控制问题：检索必须决定从何处开始、遍历多远多广、何时停止以及保留哪些路径。

这些决策通常被全局配置。查询改变了相似度分数或初始节点，但主要的操作限制——种子数量、深度、宽度、停止行为和最终证据预算——在很大程度上是共享的。全局策略因其简单性而具有吸引力，但它假设异构问题需要类似的证据结构。这个假设通常是错误的。一个狭义表述的事实可能因广泛探索而变得模糊；如果种子只覆盖一个目标，比较可能失败；即使答案区域存在于图中，浅层波束下的中介问题也可能无法触及。

**Mosaic**用显式的每查询策略构建取代了寻找一个全局最优配置。在检索之前，分析器解释问题并向共享管道发出有界的控制。在检索期间，累积结构增益决定当前证据是否已饱和，而角色感知选择可以保留互补的路径。答案生成保持固定：分析器改变检索到的证据，而不是最终答案的自由生成方式。

因此，贡献不在于观察查询影响检索；许多先前的系统是查询条件化的，近期系统调整了路径、边、约束或操作符。技术上的区别在于适应性和目标的表示：

`查询 --> 显式的多阶段检索策略 --> 共享的语料库图管道。`
该策略联合控制种子宽度和表述、遍历深度和宽度、锚定和连接器行为、停止敏感性以及证据保留。该接口无需训练，在执行前进行验证，并且可扩展到新的证据需求。

我们的主要发现是：

- •没有固定的探索范围在所有情况下都有效。在医疗类，固定中等策略达到67.01%的准确率，而更窄（65.45%）和更宽（66.35%）的探索都更差。
- •特定查询的控制显著提升了检索和生成效果。**Mosaic**在医疗类获得76.97%的整体准确率，在新领域类获得64.33%，证据召回率分别为95.1%和90.2%。
- •这种提升并非源于穷尽式搜索。与固定宽策略相比，**Mosaic**评估的路径减少了81.9%，保留的证据项减少了47.2%。
- •分析器发出多样化且需求对齐的策略。例如，65.6%的多跳查询激活了连接器遍历，而其他查询中只有21.6%。
- •该框架无需特定基准的检索器训练即可迁移到三个标准多跳问答基准，同时为更强的答案格式校准留下了空间。

## 2 相关工作

RAG将参数生成与非参数检索相结合[9, 8]。GraphRAG系统检索实体、关系、路径、段落或图社区：Microsoft GraphRAG支持本地和全局社区导向搜索[3]；LightRAG结合了实体级和关系级检索[4]；HippoRAG通过个性化PageRank传播查询相关性[5]；PathRAG使用基于流信号修剪关系路径[2]。像GFM-RAG和G-Reasoner这样的学习图检索器使用预训练图模型编码文本和结构相关性[10, 11]。自适应文本RAG方法决定是否以及何时检索[6, 1, 7]。更接近的图系统调整检索范式、查询侧证据图、路径约束或操作符组合。EA-GraphRAG在密集检索和图检索之间路由[12]；Relink动态构建查询驱动的证据图[13]；DOTRAG为路径探索生成查询条件约束[14]；PAGE-RAG在有限预算下组合异构证据操作符[15]。**Mosaic**并不声称查询感知的GraphRAG本身是新的。它的不同之处在于在一个共享的语料库图检索器内构建显式的阶段性操作策略，联合控制种子、遍历、停止和保留的证据，而无需训练额外的路由器或图检索器。

表 1：代表性系统中查询适应的高层位置。“共享”意味着在推理时全局配置。
## 3 问题形式化

令 \(G=(V,E)\) 为从文档集合一次性构建的语料库图，令 \(q\) 为用户查询。传统的图检索器应用全局选择的配置 \(\bar{\pi}\)：

\(\hat{y}_{q} = \mathcal{M}_{\mathrm{ans}}\!\left(q, \mathcal{R}(G, q; \bar{\pi})\right)\)。
**Mosaic**的目标是用特定于查询但有界的策略 \(\pi_{q}\) 替换 \(\bar{\pi}\)，同时保持 \(G\)、检索实现 \(\mathcal{R}\) 和答案模型 \(\mathcal{M}_{\mathrm{ans}}\) 共享：

\(\pi_{q} = \mathcal{A}(q) = \left(\pi_{q}^{\mathrm{seed}}, \pi_{q}^{\mathrm{trav}}, \pi_{q}^{\mathrm{filter}}\right)\)。(1)
策略仅从问题生成。黄金答案、黄金证据、基准类别标签和评估注释对分析器不可用。所有分类输出都对照允许列表进行检查，数值被限制在有效范围内，无效或缺失字段回退到保守默认值。

这种形式化分隔了三个容易混淆的概念：

1. 1.查询条件化：查询改变相似度或相关性分数。
2. 2.查询分类：查询被分配到几种预定义类型之一，每种类型链接到一个固定的管道。
3. 3.特定查询策略构建：查询被转换为由公共管道执行的可组合的阶段级控制。

**Mosaic**实现的是第三种。诊断标签可能被记录用于分析或防御性回退，但它们不会选择单独的检索器。

## 4 从检索失败到策略信号

我们检查了检索轨迹，其中相关证据存在或可达，但共享策略产生了错误的答案。反复出现的失败并未定义六种互斥的问题类型。相反，它们揭示了分析器在配置检索时应该问的六个问题。表2总结了当前的实例化。

表 2：代表性证据需求信号及其操作效果。多个行可能适用于一个查询。这六个信号故意不是一个封闭的分类法。另一个语料库、图模式、领域或管道可能会暴露新的失败模式。框架可以通过添加推理线索并将其映射到现有或新引入的有界控制来整合它。核心贡献是分析器到策略的接口，而不是当前线索的数量或名称。

### 4.1 为什么控制必须组合

单个控制并非独立处理。一个比较可能同时需要每目标的种子、连接器遍历和更大的证据预算。一个中介性问题可能需要更大的深度但较弱的锚定，以便一个看似通用的连接器不会被修剪。强锚定可以减少漂移，但相同的锚定也可能阻止必要的中介器。同样，停止质量取决于种子和遍历阶段产生的证据。因此，特定控制的反事实分析是诊断性的，而不是总性能的可加性分解。

## 5 MOSAIC

### 5.1 端到端架构

查询 \(q\) → LLM分析器 \(\mathcal{A}(q)\) → 特定查询策略 \(\pi_{q}\) → 种子策略 `mode` `budget` `scoring` → 遍历与停止策略 `depth` `width` `anchor` `connector` `low-gain stop` → 证据策略 `budget` `floor` `reservation` → 种子选择 → 路径遍历（探索期间自适应停止） → 证据选择 → 固定答案生成（不受策略控制）

图 1：**Mosaic**将查询映射到一个经过验证的策略，该策略包含特定于阶段的控制。种子、遍历和停止、以及证据控制配置了一个共享的GraphRAG管道，而答案生成保持固定。
给定一个策略，完整的计算是

\(S_q = \mathcal{S}(G, q; \pi_{q}^{\mathrm{seed}})\), (2)
\(P_q = \mathcal{T}(G, S_q; \pi_{q}^{\mathrm{trav}})\), (3)
\(\widetilde{E}_q = \mathcal{F}(q, P_q; \pi_{q}^{\mathrm{filter}})\), (4)
\(\widehat{y}_q = \mathcal{M}_{\mathrm{ans}}(q, \operatorname{Ground}(\widetilde{E}_q))\). (5)

### 5.2 策略空间与验证

分析器从保守的默认值开始，仅当问题提供明确信号时才覆盖控制。表3报告了本文使用的接口。

表 3：有界的策略控制。
分析器还返回目标实体、目标方面、简短的检索风险描述和诊断理由。这些字段不会绕过策略验证。不支持的分类值被拒绝，数值字段被截断，缺失值恢复为默认值。这确保了LLM控制一个有限接口，而不是直接执行任意代码或发明新的检索操作符。

### 5.3 种子选择

所选查询模式使用完整问题、紧凑查询或每个提取目标一个查询来搜索固定的实体和关系索引。令 \(s_{\mathrm{ent}}(v, q_e)\) 和 \(s_{\mathrm{rel}}(v, q_e)\) 表示节点 \(v\) 的实体索引和关系索引分数。仅关系选择使用

\(s_{\mathrm{seed}}(v, q) = s_{\mathrm{rel}}(v, q_e)\), (6)
而混合选择使用

\(s_{\mathrm{seed}}(v, q) = 0.3 s_{\mathrm{ent}}(v, q_e) + 0.7 s_{\mathrm{rel}}(v, q_e)\). (7)
种子集是 \(S_q = \operatorname{TopK}_{K_q} \{ v : s_{\mathrm{seed}}(v, q) \}\)。在每目标模式下，每个目标的两个最佳候选在节点级去重和最终截断之前被保留。这防止了比较将其所有种子分配给最显著的实体。

### 5.4 策略条件遍历

令 \(p = (v_0, e_1, v_1, \ldots, e_h, v_h)\) 为一条有 \(h\) 条边的路径。结构感知分数结合关系相似度 \(\bar{r}\)、目标相关性 \(\bar{t}\)、特异性 \(\bar{s}\)、锚定一致性 \(\bar{a}\)、转换对齐 \(\bar{x}\)、路径连贯性 \(\bar{c}\)、枢纽暴露 \(\bar{h}\)、重复度 \(\rho_{\mathrm{rep}}\) 和类问题标签 \(\rho_{\mathrm{ql}}\)：

\(s_{\mathrm{path}}(p, q) = w_r \bar{r} + w_t \bar{t} + w_s \bar{s} + w_a \bar{a} + w_x \bar{x} + w_c \bar{c} - w_h \bar{h} - w_{\mathrm{rep}} \frac{\rho_{\mathrm{rep}}}{h} - w_{\mathrm{ql}} \rho_{\mathrm{ql}}\). (8)
默认权重为 \((0.45, 0.15, 0.15, 0.10, 0.15, 0.05, 0.20, 1.0, 1.0)\)。当 \(a_q \geq 0.4\) 时，目标、锚定、转换和枢纽项随 \(a_q\) 增加，将通用的关系导向评分器转变为目标和转换感知的评分器。在深度 \(d\)，所有保留的路径都被展开，当启用时添加连接器视图候选...