超越静态检索：GraphRAG 中迭代检索的机遇与陷阱

检索增强生成（RAG）是提升大型语言模型（LLM）在知识密集型问答能力上的强大范式。基于图的 RAG（GraphRAG）利用实体关系图来支持多跳推理，但大多数系统仍依赖于静态检索。当关键证据，特别是连接不相交实体的桥接文档缺失时，推理会崩溃且幻觉持续存在。迭代检索通过执行多轮证据选择，已成为一种有前景的替代方案，但其在 GraphRAG 中的作用仍不甚明了。我们提出了关于 GraphRAG 中迭代检索的首次系统性研究，分析了不同策略如何与基于图的骨干网络交互，以及在何种条件下它们会成功或失败。我们的发现揭示了明确的机遇：迭代改进了复杂的多跳问题，有助于将桥接文档提升至前列排名，且不同策略提供了互补的优势。同时，陷阱依然存在：天真的扩展通常会引入降低精度的噪声，在单跳或简单比较问题上的增益有限，并且若干桥接证据可能仍被埋藏过深而无法被有效利用。这些结果共同突显了一个核心瓶颈，即 GraphRAG 的有效性不仅取决于召回率，还取决于桥接证据是否能被持续提升至可支持推理链的前列位置。为了应对这一挑战，我们提出了桥接引导双思维检索（BDTR），这是一个简单而有效的框架，可生成互补思维并利用推理链重新校准排名，将桥接证据带入前列位置。BDTR 在多种 GraphRAG 设置中均取得了一致的改进，并为未来 GraphRAG 系统的设计提供了指导。