Graph-R1：全新RAG框架，融合智能體、圖RAG和強化學習技術。

圖片

該框架提出了一種創新的RAG架構，突破了傳統單次檢索或基于文本塊檢索的局限，巧妙整合了圖結構化知識、智能體多輪交互和強化學習技術。

Graph-R1是一個能夠在知識超圖環境中進行推理的智能體，通過迭代發出查詢并檢索子圖，采用多步驟的"思考-檢索-再思考-生成"循環機制。與先前執行固定檢索的圖RAG系統不同，Graph-R1能夠根據智能體狀態的演變動態探索圖結構。

圖片

檢索過程采用雙路徑機制：基于實體的超邊檢索和直接超邊相似性匹配，通過倒數排名聚合進行融合，返回語義豐富的子圖。這些子圖為后續推理步驟提供了堅實的基礎。

圖片

該智能體采用GRPO進行端到端訓練，使用包含結構格式遵循性和答案準確性的復合獎勵機制。只有當推理遵循正確格式時才給予獎勵，從而鼓勵產生可解釋且完整的推理軌跡。

圖片

在六個RAG基準測試中（如HotpotQA、2WikiMultiHopQA），Graph-R1取得了最先進的F1分數和生成得分，顯著優于包括HyperGraphRAG、R1-Searcher和Search-R1在內的先前方法。在更具挑戰性的多跳數據集和分布外條件下表現尤為突出。

圖片

研究者發現，缺少三個核心組件中的任何一個，Graph-R1的性能都會急劇下降：超圖構建、多輪交互和強化學習。消融研究證實，基于圖的多輪檢索提升了信息密度和準確性，而端到端強化學習則有效彌合了結構化信息與自然語言之間的鴻溝。

標題：Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning 

鏈接：https://arxiv.org/abs/2507.21892

本文轉載自????AI帝國????，作者：無影寺