📖标题：Query-Centric Graph Retrieval Augmented Generation
🌐来源：arXiv, 2509.21237

🌟摘要

基于图的检索增强生成 (RAG) 通过外部知识丰富了大型语言模型 (LLM)，用于长上下文理解和多跳推理，但现有方法面临粒度困境：细粒度实体级图会产生很高的令牌成本并丢失上下文，而粗文档级图无法捕获细微的关系。我们介绍了 QCG-RAG，这是一个以查询为中心的图 RAG 框架，可以实现查询粒度索引和多跳块检索。我们的以查询为中心的方法利用 Doc2Query 和 Doc2Query- 来构建具有可控粒度的查询为中心的图，提高了图的质量和可解释性。然后，定制的多跳检索机制通过生成的查询选择相关块。LiHuaWorld 和 MultiHop-RAG 的实验表明，QCG-RAG 在问答准确性方面始终优于先前基于块和图形的 RAG 方法，为多跳推理建立了一种新的范式。

🛎️文章简介

🔸研究问题：如何通过构建查询驱动的图来改善检索增强生成（RAG）方法，以提高多跳问题回答的准确性和可解释性？
🔸主要贡献：提出了一种新的查询中心图检索增强生成（QCG-RAG）框架，通过增强图的构建和检索机制，解决了现有图基 RAG 方法的粒度困境。

📝重点思路

🔸提出了查询中心图（QCG）构建框架，通过生成与文本块相关的合成查询-回答对来丰富检索空间。
🔸采用扩展的Doc2Query方法生成高质量查询，并依据语义相似性进行筛选，以减少噪声。
🔸提出了基于查询的检索机制，分为四个步骤：检索相关查询、扩展邻接查询、聚合并排序相关文本块以及生成最终回答。
🔸设计了一种多跳检索过程，能够根据复杂查询准确检索相关文本块。

🔎分析总结

🔸QCG-RAG在多跳和长上下文问答中，表现出明显优于传统的基于块和图的RAG方法，在准确性上取得了最先进的性能。
🔸通过实验发现，查询中心图能够更好地编码查询与查询、查询与文本块之间的关系，从而有效地整合散布的证据，形成连贯的推理链。
🔸实验表明，查询的设计、节点选择以及超参数的平衡设置对模型的性能至关重要，意即正确的图构建策略对于提升模型性能至关重要。

💡个人观点

论文引入了查询中心图的概念，有效地解决了传统图基RAG的粒度问题，为多跳问题回答提供了更为细致和高效的图结构表达。

🧩附录