标签
ISO-RAG是一种无需训练的拓扑驱动检索增强生成框架，它使用等周噪声控制来通过减少语义漂移并提升效率，从而改善多跳问答。
RegDivergence-101是一个试点基准，旨在通过LLM检测FDA与EMA之间的跨辖区监管矛盾，并建立了在监管关系分类上表现各异的基线方法。
微软研究院的LazyGraphRAG在8k、120k和百万token上下文的数据本地问题上超越了向量RAG，以十分之一的成本赢下92/90/91%的胜率，现已在GitHub上开源。
本文介绍了HCG-RAG，它利用架构约束因果图进行检索增强生成，在医疗基准测试中，节点数减少3-20倍，LLM调用次数减少8-135倍，同时答案质量与基线相当或更优。
本文提出对HyperGraphRAG的改进，通过使用自一致性提示来提升事实提取效果，并利用个性化PageRank算法增强分块检索。
一种名为FAIR GraphRAG的新型框架将FAIR数字对象与基于图的检索相结合，以增强面向语义数据分析的检索增强生成，提高了问答准确性并遵循FAIR原则，在生物医学数据集上进行了演示。
清晰解释标准RAG、Graph RAG和Agentic RAG，涵盖它们的区别、用例以及如何处理单跳与多跳查询。
本文提出了HyGRAG，一种层次化图RAG框架，整合了上下文与关系信息以支持多跳推理，在现有方法基础上实现了平均准确率提升9.7%。
FlowRAG 提出了一种新颖的语义感知检索框架，该框架构建了四层异构图，并利用频率感知的加权流提取显式推理路径，在复杂推理基准测试中取得了最先进的性能。
Kwipu是一个新的开源本地Graph RAG系统，它将Markdown和Obsidian笔记索引到属性图中，支持通过混合检索进行自然语言查询，并通过Ollama支持本地LLM。
作者分享使用开源工具CodeGraph为代码库搭建本地知识图谱的经验，对比RAG与知识图谱的区别，并展示了如何通过图谱将工具调用减少94%、Token节省35%，大幅提升开发效率。
提出叙事知识编织器（NKW），一种基于来源的框架，用于长文本理解中的叙事中心检索增强推理。它对齐文本证据、原子事实、图结构、实体档案和故事线，在剧本级故事世界QA基准上取得强劲结果。
# 将结构化生物医学知识注入语言模型：持续预训练与GraphRAG 来源：[https://arxiv.org/html/2604.16422](https://arxiv.org/html/2604.16422) ###### 摘要 将领域特定知识注入模型对于使语言模型（LMs）适应生物医学等专业领域至关重要。尽管目前大多数方法依赖于非结构化文本语料库，但本研究探讨了两种利用UMLS元术语表（Metathesaurus）中结构化知识的互补策略：
Code-Graph-RAG 是一个开源工具，使用 Tree-sitter 解析多语言代码库，在 Memgraph 中构建知识图谱，并让你用自然语言查询、编辑和优化代码。它支持在统一图模式下的混合语言 monorepo。