文本 - 图协同：一种用于 RAG 的双向验证与补全框架

检索增强生成（RAG）是提升大模型事实依据与多跳推理能力的核心范式。传统文本 RAG 易检索无关伪证，而图 RAG 常因剪枝丢失有效推理路径。现有混合方法未能解决非结构化文本与结构化图之间不对称推理流导致的“信息孤岛”问题。本文提出 TGS-RAG 框架，引入双向机制：一是利用全局投票策略从图节点重排序文本证据以过滤噪声；二是提出基于记忆的孤立实体桥接算法，利用文本线索复活被剪枝的有效推理路径。实验表明该方法在多跳推理基准上显著优于最先进基线。