arXiv · 10.08.2026 ·Память и RAG

KGCaRe: новый метод RAG для сложных логических запросов через графы знаний

Исследователи представили KGCaRe — фреймворк для улучшения ответов LLM на сложные условные вопросы. Система объединяет традиционный RAG с автоматическим построением графов знаний из неструктурированных документов. Это позволяет модели лучше справляться с многоэтапными рассуждениями и контекстными зависимостями в узкоспециализированных областях, где стандартные методы поиска часто демонстрируют низкую точность и склонны к галлюцинациям.

Основная проблема классического RAG заключается в неспособности эффективно связывать разрозненные факты, представленные в длинных текстах, особенно когда вопрос требует проверки условий «если-то». KGCaRe решает эту задачу за счет извлечения сущностей и отношений из исходных данных, формируя структурированный граф. В процессе генерации ответа модель обращается как к исходному контексту, так и к графовым связям, что обеспечивает более глубокую логическую проработку ответа.

Метод демонстрирует значительный прирост производительности в задачах, требующих анализа сложных бизнес-правил или технических спецификаций. Автоматизация создания графа знаний снижает трудозатраты на подготовку данных, делая подход применимым для корпоративных систем, где точность ответов на специфические запросы является критическим требованием для автоматизации процессов.

Ключевые факты

KGCaRe использует гибридный подход, сочетающий неструктурированный поиск по документам и структурированный поиск по графам знаний.
Метод ориентирован на решение «условных» вопросов, которые требуют сложной логической цепочки рассуждений.
Автоматизация построения графа знаний минимизирует необходимость ручной разметки данных для специфических доменов.
Система направлена на снижение уровня галлюцинаций при работе с узкоспециализированными знаниями, где общие LLM показывают недостаточную точность.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука Метод повышения точности рассуждений LLM при работе с неполными графами знаний Исследователи представили теоретическую модель для улучшения логических рассуждений больших языковых моделей (LLM) при работе с неполными графами знаний. Авторы предлагают математический аппарат для привязки траекторий рассуждений к фрагментарным данным, что позволяет моделям эффективнее интерпретировать контекст, когда доступная информация в графе ограничена или содержит пробелы, снижая вероятность галлюцинаций при извлечении фактов. arXiv · Исследования и наука RSF-GLLM: новый подход к многошаговым ответам на вопросы по графам знаний Исследователи представили фреймворк RSF-GLLM, решающий проблему семантического разрыва при работе с графами знаний. Метод разделяет дифференцируемое рассуждение по графу и генерацию ответа языковой моделью, что позволяет эффективно находить промежуточные узлы, даже если они не имеют прямого лексического сходства с исходным запросом. Это повышает точность ответов в сложных многошаговых задачах. arXiv · Память и RAG TRIAGE: методология оценки качества графовых RAG-систем Исследователи представили TRIAGE — фреймворк для комплексной оценки графовых RAG-систем, создаваемых с помощью LLM. Инструмент позволяет локализовать ошибки на этапах извлечения данных, построения графа знаний и финального инференса. Это решает проблему «черного ящика», когда сбой на раннем этапе формирования графа обнаруживается только при получении неверного ответа от модели. arXiv · Память и RAG DynaKRAG: новый фреймворк для адаптивного многошагового RAG Исследователи представили DynaKRAG — унифицированный фреймворк для многошагового RAG, который динамически управляет процессом поиска доказательств. В отличие от жестких алгоритмов, система обучается контролировать этапы извлечения данных, переформулирования запросов и оценки достаточности информации. Это позволяет модели гибко реагировать на сложные вопросы, требующие последовательного сбора фактов и устранения пробелов в знаниях для формирования точных ответов. Hacker News · Память и RAG Альтернатива GraphRAG: упрощенный подход к структурированию знаний Автор анализирует причины низкой эффективности сложных систем GraphRAG при построении корпоративных баз знаний. Вместо создания громоздких графов знаний, предлагается архитектура на основе иерархических метаданных и семантического поиска. Такой подход позволяет достичь высокой точности ответов ИИ-агентов, избегая избыточной сложности, вычислительных затрат и проблем с масштабируемостью, характерных для классических графовых методов. Hacker News · Память и RAG Оптимизация RAG: как отсеивать 68% лишнего контекста с помощью компактной LLM Команда Kapa.ai разработала метод фильтрации контекста для RAG-систем, позволяющий отсеивать до 68% нерелевантных данных перед подачей в основную модель. Использование компактной LLM для предварительной оценки фрагментов позволяет снизить затраты на токены и повысить точность ответов, исключая «шум» из поисковой выдачи векторных баз данных без потери качества генерации. arXiv · Машинное обучение GPTKB 2.0: автоматизированное создание очищенных баз знаний из LLM Исследователи представили GPTKB 2.0 — методологию для автоматического построения структурированных баз знаний непосредственно из больших языковых моделей. Решение устраняет ключевую проблему существующих подходов: отсутствие у LLM встроенного механизма идентификации сущностей, что ранее приводило к дублированию записей и путанице между объектами. Новый метод обеспечивает создание точных и очищенных от противоречий графов знаний. Hacker News · Исследования и наука Метод Keep It Real для сокращения объема ответов LLM Исследователи представили метод Keep It Real (KIR), направленный на повышение лаконичности диалогов с большими языковыми моделями. Подход использует схему отложенного вывода (schema-level deferral), позволяя модели пропускать предсказуемые или избыточные части ответов, которые пользователь может легко восстановить самостоятельно. Это снижает количество генерируемых токенов без потери смысловой полноты и качества взаимодействия. Hacker News · Память и RAG Graph-guard: графовый подход к многошаговому поиску в RAG-системах Graph-guard представляет собой инструмент для построения графов знаний, предназначенный для улучшения качества поиска в RAG-системах. Решение фокусируется на решении проблемы многошаговых запросов (multi-hop retrieval), где модели необходимо связывать разрозненные факты из разных документов. Инструмент автоматизирует извлечение сущностей и связей, создавая структурированную базу данных для более точного контекстного поиска при генерации ответов. Hacker News · Инфраструктура для агентов Зачем ИИ-системам нужен контекстный граф Для эффективной работы ИИ-агентов недостаточно простого RAG — им требуется структурированное представление знаний в виде контекстного графа. В отличие от стандартных векторных баз данных, графовые структуры позволяют связывать разрозненные сущности и отношения, обеспечивая агентам глубокое понимание доменной специфики, что критически важно для сложных бизнес-задач и точной интерпретации контекста в реальном времени.

← Все материалы