基于图锚定的知识索引用于检索增强生成

检索增强生成（RAG）已成为缓解大型语言模型（LLMs）幻觉问题的主流范式，通过引入外部知识。然而，如何有效整合和解释分散在噪声文档中的关键证据，仍是现有RAG系统面临的关键挑战。本文提出GraphAnchor，一种新颖的图锚定知识索引方法，将静态知识表示中的图结构重构为动态、演化的知识索引。GraphAnchor在迭代检索过程中逐步更新图结构，以锚定显著实体和关系，从而生成一个结构化索引，指导LLM评估知识充分性并制定后续子查询。最终答案通过联合使用所有检索到的文档和最终演化后的图生成。在四个多跳问答基准测试上的实验表明了GraphAnchor的有效性，并揭示其能够调节LLM的注意力，更有效地关联检索文档中分布的关键信息。