标签
该论文提出 GraphRAG-LTM 分层威胁建模框架，测试三种攻击者访问层级（黑盒查询、白盒查询、图感知白盒），发现检索排序操纵与关键三元组删除能显著削弱 GraphRAG 的答案质量与支撑事实检索。
作者分享对 GraphRAG 的兴趣，并尝试构建一个轻量本体论、无需向量搜索的 Jev-based GraphRAG 变体。
Mosaic 是一个免训练框架，用于GraphRAG中的查询感知探索，根据查询需求调整检索策略，在标准基准测试中显著提高了答案正确性和效率。
A technical post explaining why RAG fails for multi-hop queries and presenting a 9-step roadmap for building context graphs, where entities are nodes and relationships are edges, with a minimal 150-line engine.
This paper presents a triple-robustness analysis of RAG for multi-hop traceability, varying embedder, corpus, and judge across thousands of runs. It finds that over-citation is architecturally universal in GraphRAG but its faithfulness consequences are corpus-conditional, and LLM-as-judge faithfulness is fragile across retrieval states.
文章梳理了近半月16篇Agent Memory论文，指出趋势从静态GraphRAG检索转向自演化、多信号路由、认知模型和低成本记忆系统，并附分篇速览和链接。
作者介绍了ARGO，这是一个面向Cursor、GitHub Copilot和OpenCode的开源Agent Loop框架，它将ArchiMate结构化的意图图与GraphRAG检索相结合，使AI编码交付可追踪。它分离了意图、架构和实现的责任，并通过两级验收测试来避免将每次失败都视为代码缺陷。
作者构建了一个比GraphRAG便宜得多的替代方案，用于使用智能体查询知识图谱，使其更易于各种应用访问。
ColGraphRAG 在多模态 GraphRAG 中使用延迟交互 MaxSim 评分替代单向量双编码器相似度，用于对图链接图像候选进行排序，从而提高了 MultimodalQA 上的检索和问答准确率。
Yohei Nakajima 宣布了他的第一篇 arXiv 论文，关于事件源响应图，用于可审计、可分叉的代理系统，连接了 graphRAG、DAG 工作流和日志/追踪图。
RAGU是一款开源的多步GraphRAG引擎，它使用紧凑型7B微调大语言模型（Meno-Lite-0.1），以极低的成本实现高质量知识图谱构建，在基准测试中性能超越大型系统。
一位开发者反思了何时 GraphRAG 比标准 RAG 更适合 AI 代理，指出它在多跳推理和关系理解方面很有价值，但增加了显著的复杂性。
本文提供了一份实用指南，介绍如何使用LangExtract、Neo4j、Qdrant和Ollama构建GraphRAG系统，结合实体提取、知识图谱和向量搜索，实现上下文感知的检索。
介绍了自适应掩码图嵌入（AGE），这是一种基于Transformer的自监督学习方法，通过专注于预测非关键节点，解决了GraphRAG任务中LLM的图表示与文本表示之间的潜在特征不对齐问题。
一种模块化、高性能的 GraphRAG（基于图的检索增强生成）Rust 实现，支持 WebGPU 加速，并提供三种部署架构：仅服务器、仅 WASM（客户端）以及混合模式。
IONS是一种开源的AI记忆与推理方法，它使用名为认知构建块（CBBs）的基于证据的声明图，将知识存储在模型权重之外，从而使推理过程可检查。
一个关于构建本地文档RAG系统的详细技术咨询，涵盖存储、摄取、查询和高亮，寻求关于向量数据库、GraphRAG可行性以及文档高亮实现的建议。
Hyper-Extract 是一个开源框架，可将混乱文档转换为类型化知识结构，支持多种图谱架构（如 GraphRAG、LightRAG 和 KG-Gen），拥有 10 多种提取引擎和 80 多个面向不同领域的 YAML 模板。
一个开源的全栈管道，从原始文本构建知识图谱，使用混合搜索（密集向量+稀疏+图遍历）解决LLM中的多跳推理问题，并通过倒数排名融合和交叉编码器对结果进行重排序。
一份关于为AI智能体优化知识图谱摄入的详细指南，提出了一个五步流水线（提取、解析、嵌入、去重、路由），以防止图谱损坏并提高检索质量。