RLM-on-KG：基于提及图的稀疏证据自适应检索控制：先应用启发式，再在需要时调用 LLM
摘要
在 LLM 控制器是否优于基于规则的遍历用于知识图谱探索时，我们通过 RLM-on-KG 进行了研究，这是一个将 LLM 作为 RDF 编码提及图上自主导航器，用于 grounding question answering 的检索系统。不同于依赖离线 LLM 索引的 GraphRAG 流水线，RLM-on-KG 在查询时进行实体优先、多跳探索，使用确定性图构建和固定工具集合。我们的核心发现是条件性优势：LLM 控制的价值取决于证据稀疏程度和工具调用熟练程度。该论文的核心论点是 LLM 控制与启发式遍历的比较，而非对 GraphRAG 的普遍优势。在 GraphRAG-Bench Novel (519 个问题) 上，Gemini 2.0 Flash 相对于基于规则的启发式基线提升 +2.47pp F1 (p < 0.0001)，但仅相对于 GraphRAG-local 变体提升 +0.16pp (无显著性)。当采用更强的控制器、Claude Haiku 4.5 时，与启发式方法的优势扩大至 +4.37pp (p < 0.001)，并对 GraphRAG-local 实现显著性改进 +2.42pp (p < 0.001)。该优势在黄金证据跨越 6-10 个块时最大 (+3.21pp)，在集中证据时最小 (+1.85pp)。在 MuSiQue 上进行跨尺度验证确认，LLM 对启发式的优势可迁移，但在较小的 per-question 图上会出现预期的衰减。核心架构洞见在于：候选发现与排序的分离：LLM 通过探索宽度提供价值，而最终证据选择最好由纯向量重排序处理。除检索外，探索痕迹还提供了一个用于结构化数据质量的 proposed stress-test harness，yielding coverage、connectivity、provenance 和 queryability 的诊断。
引用
@article{arxiv.2604.17056,
title = {RLM-on-KG: Heuristics First, LLMs When Needed: Adaptive Retrieval Control over Mention Graphs for Scattered Evidence},
author = {Andrea Volpini and Elie Raad},
journal= {arXiv preprint arXiv:2604.17056},
year = {2026}
}
备注
Preprint. 32 pages, 9 figures. Code and data available at the project repository