推理的拓扑：面向文本图问答的检索胞复形增强生成

检索增强生成（RAG）通过动态整合外部知识增强大语言模型（LLM）的推理能力，从而缓解幻觉并强化图等结构化数据的语境锚定。然而多数面向文本图的RAG变体聚焦低维结构——把节点当实体（0维）、把边或路径当成对或顺序关系（1维），却忽视了对关系闭环推理至关重要的环（cycle）。这类环常出现在需要就相似对象或相对位置做闭环推理的问题中。这一局限常导致语境锚定不完整、推理能力受限。本工作提出拓扑增强检索增强生成（TopoRAG），一个有效捕捉高维拓扑与关系依赖的文本图问答新框架。具体而言，TopoRAG先把文本图提升为胞复形（cellular complex）以建模多维拓扑结构。基于提升后的表示，提出拓扑感知的子复形检索机制，抽取与查询相关的胞复形，提供紧凑且信息丰富的拓扑语境。最后，多维拓扑推理机制在这些复形上传播关系信息，引导LLM进行结构化、逻辑感知的推理。实证评估表明，我们的方法在多样文本图任务上持续超越现有基线。