大型语言模型（LLMs）因其在自然语言理解与生成方面的强大能力，在问答（QA）任务中展现出卓越表现。然而，基于 LLM 的问答系统在面对复杂问答任务时仍面临诸多挑战，包括推理能力不足、知识更新滞后以及幻觉生成等问题。

为应对这些挑战，近年来多个研究工作尝试将 LLM 与知识图谱（KGs）结合用于问答任务。在本综述中，我们提出了一种新的结构化分类法，根据问答任务类型和知识图谱在与 LLM 整合过程中的角色，对现有融合方法进行系统归类。

我们全面回顾了当前将 LLM 与 KG 结合用于问答的最新研究进展，从方法的优势、局限性以及对知识图谱的依赖性等方面进行了对比分析。随后，我们将这些方法与不同类型的问答任务进行对齐，探讨它们是如何应对复杂问答中主要挑战的。

最后，我们总结了相关研究在技术发展、评估指标与基准数据集方面的进展，并重点指出当前仍然存在的开放挑战与未来机遇。

1 引言

**问答（Question Answering, QA）**在人工智能、自然语言处理、信息检索和数据管理等领域中扮演着基础性角色，因其应用范围广泛，包括文本生成、聊天机器人、对话生成、网页搜索、实体链接、自然语言查询、事实核查等。**预训练语言模型（PLMs）和近期的大语言模型（LLMs）**在诸如知识库问答（KBQA）、知识图谱问答（KGQA）、封闭域问答（CDQA）等任务中展现出卓越表现。

然而，基于 PLM 和 LLM 的方法在面对**复杂问答任务（complex QA）**时仍存在如下关键局限：

1. 复杂推理能力有限：LLMs 通常通过预测文本中的下一个词进行预训练，因此内嵌的推理能力相对受限；

2. 缺乏最新和领域特定的知识：LLMs 的知识来自于预训练语料，在时间上存在“知识截止”，难以准确应对特定领域的实时问答；

3. 倾向于生成幻觉内容（hallucinations）：由于缺乏事实校验和逻辑一致性检查，LLMs 易生成不真实或不可靠的回答。

挑战分析

检索增强生成（Retrieval-Augmented Generation, RAG）方法（Mao 等，2021）被提出用于开放域问答，其通过从大量文档中检索相关上下文辅助生成答案。同时，包括图神经网络（GNNs）（Li 等，2025b）等多种技术被用于提升检索覆盖度。尽管 RAG 相比非 RAG 方法在生成质量上有所提升，但其在处理复杂问答任务时仍存在显著限制，主要体现在以下方面：

1. 知识冲突：LLMs 与外部检索内容之间可能存在不一致或冗余知识，融合时易导致答案前后矛盾；

2. 检索上下文的相关性与质量不足：RAG 的回答质量依赖于检索内容的准确性，若上下文无关，则容易生成错误答案；

3. 缺乏迭代与多跳推理能力：对需全局理解与摘要推理的问题，RAG 结构通常难以生成解释性强、准确性高的答案。

研究动机

将 LLMs 与知识图谱（KGs）相结合的趋势，为解决上述 LLMs 在知识密集型任务（如复杂问答）中的不足提供了新的可能性（Ma 等，2025a）。近期提出的图结构检索增强生成（GraphRAG）（Zhang 等，2025；Peng 等，2024；Han 等，2024）与知识图谱检索增强生成（KG-RAG）（Sanmartin，2024；Yang 等，2024）方法，展示了在复杂问答任务中融合 LLMs 与 KGs 的强大潜力。这些方法通常引入模块化机制，如知识融合、推理指导、知识验证与优化，从而有效缓解上述挑战。

研究目标

近年来，融合 LLMs 与 KGs 以支持开放域与长上下文的复杂问答任务的研究快速增长。本综述旨在回应上述问题，全面梳理将 LLMs 与 KGs 集成用于复杂问答的最新进展，系统总结技术成果，并识别关键挑战与未来研究机遇。

与现有综述（详见附录 §A.1）不同，本研究从 KGs 在 LLM+KG 问答融合中的角色出发，提供了一个更为全面的分析框架。

方法分类体系

我们从多个视角出发，构建了融合 LLMs 与 KGs 应用于复杂问答任务的方法分类体系，结构化的分类图见附录 §B 中的图 1。值得注意的是，这些分类视角之间并非互斥，某一研究方法可能在不同视角下被归入多个类别。

本综述的所有相关资源可通过 GitHub 在线访问。

本文贡献

鉴于 LLMs 与 KGs 的广泛应用与流行度，本综述具有高度的时效性。我们主要贡献如下：

1. 提出结构化的分类体系：对现有融合 LLMs 与 KGs 的问答研究进行系统性归类；

2. 全面回顾现有方法：涵盖不同类别下的 SOTA 工作，并讨论该领域的最新研究议题；

3. 方法与任务对齐：分析不同方法如何应对复杂问答中出现的具体挑战；

4. 揭示挑战与前景：总结当前尚未解决的技术瓶颈，并指出未来的研究方向与发展机遇。

 

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​