标签
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。
本综合综述系统性地回顾了基于图神经网络的方法在整个知识图谱流程中的应用，提出了一种新颖的两层分类法，并讨论了挑战和未来研究方向。
提出了AgentKGV，一种基于两阶段训练（蒸馏SFT和轨迹级GRPO）的智能LLM-RAG框架，用于验证知识图谱中的事实，在T-REx基准上取得了显著改进，同时减少了检索调用。
本文提出了一种基于互补理论的解释，用于整合知识图谱与可解释人工智能，以支持城市采矿中拆前评估的可辩护决策。它定义了四种KG-XAI集成模式（提升、约束、类型化、修正），并通过一个防火门示例进行了说明。
InductWave提出了一种基于小波的归纳嵌入方法，用于知识图谱上的多跳逻辑查询回答，在更少的消息传递层数下实现了竞争性的性能。
本文提出了一种新颖的数据驱动流程，利用大语言模型(LLMs)从非结构化文本中提取语义三元组，并构建知识图谱以监测技术融合。该方法在arXiv预印本和美国专利商标局(USPTO)专利申请上得到验证，展示了其在技术预测中的可扩展性。
本文介绍了欧洲LLMs4EU项目与ALT-EDIC基础设施中的一个用例，重点通过整合知识图谱和多语种学术语料库，将基础模型适配至社会科学与人文学科（SSH）研究实践。该方法旨在支持问答、文献综述等任务，同时确保领域敏感性与法规合规性。
本文介绍了Narrative World Model（NWM），这是一个面向长篇虚构故事作者的记忆系统。它利用基于叙事学的类型化时间状态图和查询条件混合检索，来回答关于故事状态演变的复杂多跳问题。该系统在叙事学问答基准测试中显著优于现有的时间知识图谱框架（如Graphiti）。
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。
来自WeAreDevelopers World Congress 2026的演讲，探讨如何将组织建模为图，以揭示实际工作中隐藏的网络，同时还有关于图数据库、知识图谱和开发者大会的相关视频。
一位CIO分享了对将语义层和本体应用于企业AI代理所面临挑战的观察，强调了动态上下文选择、持续演进机构知识以及表达判断而非仅仅静态事实的需求。
LeanRAG是一个开源的RAG框架，它利用知识图谱、语义聚合和分层检索来减少检索流水线中的冗余，并提供带有简洁证据路径的接地答案。
本文将监管文件审查问题建模为LLM引导的规划问题，采用无向量文档树，配备浏览、读取和搜索工具，并以动态知识图谱作为状态。在针对NuScale FSAR文档的200个问题基准测试中，该系统达到了81.5%的准确率和0.93的RAGAS忠实度，显著优于现有RAG方法。
本文提出一个模块化流水线，使用领域特定知识图谱生成多跳问答对，并微调一个面向旅游领域的推理大语言模型 (Qwen3-4B)，实现了82.4%的精确匹配准确率，显著优于基线模型。
介绍了MKG-RAG-Bench，这是一个用于评估多模态知识图谱增强生成中检索效果的跨领域基准，表明有效的多模态检索仍然具有挑战性，并且对下游生成质量至关重要。
This paper from SJTU and Tsinghua systematically evaluates 12 agent memory systems from a data management perspective, decomposing memory into four modules and providing guidelines on when to use RAG, vector databases, or knowledge graphs for long-term agent memory.
Hyper-Extract 是一款命令行工具，可将凌乱的非结构化文档转化为结构化知识，如知识图谱、超图、时间/空间图及Obsidian vault，支持本地LLM推理与MCP集成。
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。
AutoFlow讨论了AI信任的关键挑战，提出了外部验证方法，如知识图谱和数学一致性检查，并宣布加入NVIDIA Inception计划，以推进可信AI系统的研究。
本文正式提出了基础模型与知识图谱之间的“阻抗不匹配”概念，并利用结构化残差流、向量符号架构和正交子空间编辑，提出了一种神经符号融合的理论路线图。