Graph-RAG 中的推理瓶颈：面向多跳问答的结构化提示与上下文压缩

Graph-RAG 系统虽能通过知识图谱索引实现强大的多跳问答检索，但高检索率并不保证高准确率。评估显示，即便黄金答案存在于上下文中，多数错误仍源于推理失败。为此，本文提出两种增强方法：一是将问题分解为三元组模式查询的 SPARQL 思维链提示；二是无需调用大模型的图遍历上下文压缩技术。实验表明，这些方法显著提升了准确率，并使小模型在低成本下超越未增强的大模型基线，验证了其在不同 Graph-RAG 系统中的泛化性。