Graph-R1全新RAG框架

Graph-R1：全新RAG框架，融合智能体、图RAG和强化学习技术。

图片

该框架提出了一种创新的RAG架构，突破了传统单次检索或基于文本块检索的局限，巧妙整合了图结构化知识、智能体多轮交互和强化学习技术。

Graph-R1是一个能够在知识超图环境中进行推理的智能体，通过迭代发出查询并检索子图，采用多步骤的"思考-检索-再思考-生成"循环机制。与先前执行固定检索的图RAG系统不同，Graph-R1能够根据智能体状态的演变动态探索图结构。

图片

检索过程采用双路径机制：基于实体的超边检索和直接超边相似性匹配，通过倒数排名聚合进行融合，返回语义丰富的子图。这些子图为后续推理步骤提供了坚实的基础。

图片

该智能体采用GRPO进行端到端训练，使用包含结构格式遵循性和答案准确性的复合奖励机制。只有当推理遵循正确格式时才给予奖励，从而鼓励产生可解释且完整的推理轨迹。

图片

在六个RAG基准测试中（如HotpotQA、2WikiMultiHopQA），Graph-R1取得了最先进的F1分数和生成得分，显著优于包括HyperGraphRAG、R1-Searcher和Search-R1在内的先前方法。在更具挑战性的多跳数据集和分布外条件下表现尤为突出。

图片

研究者发现，缺少三个核心组件中的任何一个，Graph-R1的性能都会急剧下降：超图构建、多轮交互和强化学习。消融研究证实，基于图的多轮检索提升了信息密度和准确性，而端到端强化学习则有效弥合了结构化信息与自然语言之间的鸿沟。

标题：Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning 

链接：https://arxiv.org/abs/2507.21892

本文转载自​​​​AI帝国​​​​，作者：无影寺