基于图谱的RAG系统在减少幻觉方面有多大优势？
简而言之：效果显著更好。在所综述的研究中，基于图的RAG系统相比标准RAG，始终能将幻觉率降低12%至40%以上。例如，MedRAG-Agent——一个使用知识图谱导航器的多智能体框架——在MedQA医学数据集上实现了15%的幻觉内容减少和12%的相对准确率提升[1]。MEGA-RAG将生物医学知识图谱与稠密检索和关键词检索相结合，相比标准RAG基线，幻觉率降低了40%以上，同时在所有测试模型中取得了最高准确率（0.79）和F1分数（0.79）[2]。另一个框架DHGE-RAG采用动态构建的分层知识图谱，在HotpotQA和TriviaQA等基准测试中报告了幻觉的显著减少[5]。这些数据来自不同领域——医学、公共卫生和通用问答——进一步证明了这一优势是真实存在的，且不局限于单一领域。
为何图谱比标准检索更有效？
另一个关键优势在于，图结构有助于过滤噪声。标准RAG可能会检索到不相关或具有误导性的文档，尤其是在查询涉及复杂术语时（医学领域称之为“检索挑战”[1]）。基于图的系统（如MedRAG-Agent）通过知识图谱导航代理来过滤检索信息，消融实验表明，该代理是提升准确率的主要因素[1]。类似地，G-RAG采用图神经网络重排序器，该重排序器结合文档关联与语义结构（通过抽象语义表示图）对检索到的文档进行排序，其性能甚至超越了PaLM 2等大型语言模型作为重排序器的表现[7]。这一重排序步骤确保只有最相关、关联性最强的证据进入生成阶段，从而降低产生幻觉的可能性。
是否存在任何注意事项或局限性？
是的，基于图的RAG并非万能灵药，证据表明存在几个重要局限。首先，图的质量至关重要。某些方法依赖大语言模型生成的摘要来构建图连接，但这本身可能引入幻觉并导致高昂的索引成本[3]。HyperSU通过使用数学优化（最小描述长度）构建超边来避免依赖大语言模型摘要，但这增加了复杂性[3]。其次，基于图的检索可能遭遇“语义漂移”——若检索过程通过枢纽节点过度传播，会引入噪声或不相关信息[3]。IRG-RAG通过回溯和负反馈机制解决了这一问题，但并非所有系统都具备此功能[4]。第三，其优势在推理密集型任务中最为显著——HyperSU在推理基准测试中实现了高达14.7%的相对准确率提升，但在简单事实检索查询中增益可能较小[3]。最后，可扩展性及与多模态数据的集成仍是未解决的挑战[5][6]。因此，尽管基于图的RAG是一项强大的升级，但需要精心设计，且最适用于复杂、多步骤的问题。
关于这些来源
该回答基于7篇经同行评审的研究——发表于2024至2026年间，其中7篇为2024年及以后发表，1篇发表于Q1期刊，共被引用94次——这些研究是从12篇通过质量筛选的文献中选出的最具相关性的成果，而12篇文献又源自从超过5亿篇论文数据库中检索到的58篇论文。
本文引用的文献
MedRAG-Agent：基于多智能体与知识图谱增强的RAG人工智能框架的医疗查询解答系统
MedRAG-Agent是一个配备知识图谱导航器的多智能体框架，在MedQA上达到了78.5%的准确率（相比基础RAG提升了12%），并将幻觉内容减少了15%；消融实验证实，知识图谱导航器是主要贡献因素。
MEGA-RAG：一种基于多证据引导答案优化的检索增强生成框架，用于减轻大语言模型在公共卫生领域的幻觉问题
MEGA-RAG将生物医学知识图谱与密集检索及关键词检索相结合，相比标准RAG，幻觉率降低了40%以上，在测试模型中取得了最高的准确率（0.79）和F1分数（0.79）。
HyperSU：面向检索增强生成的语料驱动语义单元超图
HyperSU通过MDL优化构建语义单元超边（避免使用大语言模型生成的摘要），并采用线索引导的双向检索机制，在推理任务上相较于基于图的RAG基线方法实现了高达14.7%的相对准确率提升。
IRG-RAG：一种面向中医的迭代反思式图检索增强生成方法
IRG-RAG通过上下文描述丰富图边信息，并采用带有回溯与负反馈的迭代反思检索机制，显著提升了中文医学问答数据集上的答案可靠性。
评估基于强化学习的模型在RAG中测试时增强的效果
DHGE-RAG利用动态构建的分层知识图谱进行多跳检索，在HotpotQA、TriviaQA和CRAG数据集上报告了F1分数和检索召回率的显著提升，同时幻觉现象明显减少。
图检索增强生成：综述
本综述将GraphRAG工作流（基于图的索引、图引导的检索、图增强的生成）进行了形式化，并指出捕获关系知识能够实现更精准的检索，从而减少幻觉现象。
别忘了连接！利用基于图的重排序改进RAG
G-RAG采用图神经网络重排序器，能够考虑文档之间的关联与语义结构，在计算开销更小的前提下，其性能超越了作为重排序器的PaLM 2以及当前最先进的方法。