UltRAG：知识图 RAG 的通用简单可扩展配方

大语言模型 (LLM) 在用于语言生成时经常生成自信但事实上不正确的内容（这种现象通常称为幻觉）。检索增强生成（RAG）试图通过识别知识库中的信息并将其放入模型的上下文窗口中来减少事实错误。虽然这种方法对于文档结构数据来说已经很成熟，但将其应用于知识图 (KG) 并非易事，特别是对于需要在图上进行多节点/多跳推理的查询。我们介绍 UltRAG，一种 无需训练 KG-RAG 配方，它结合了 LLM 查询生成、完全归纳式神经查询执行器和 LLM 仲裁。这种现成的组合在知识图问答 (KGQA) 任务上实现了最先进的结果，无需重新训练 LLM 或执行器，同时使语言模型能够以相当或更低的成本与 Wikidata 规模的图（1.16 亿实体、1.6B 关系）进行交互。我们的消融研究表明，这些收益来自整个系统设计，而不是来自任何单个组件。