GraphRAG-Router：通过强化学习通过 GraphRAG 和 LLM 学习经济高效的路由

基于图的检索增强生成（GraphRAG）最近已成为知识密集型问答的强大范例，特别是对于需要结构化证据组织和多跳推理的任务。然而，现有的 GraphRAG 系统通常是以一刀切的方式构建的，依赖于固定的检索框架和一个用于所有查询的、通常很大且昂贵的生成器 LLM。这种静态设计限制了它们适应不同问题的复杂性的能力，并且常常会产生不必要的计算成本。为了填补这一空白，我们提出了 GraphRAG-Router，这是一种经济高效的框架，采用分层路由策略来协调异构 GraphRAG 和生成器 LLM。具体来说，GraphRAG-Router 首先通过有监督的 微调 进行预热，然后通过两阶段强化学习程序进行优化，第二阶段引入了课程成本意识奖励，以鼓励困难意识和经济的生成模型分配。对六个通用域和多跳 QA 基准的大量实验表明，GraphRAG-Router 始终优于最先进的基线，将大型 LLM 的过度使用减少了近 30%，同时保持了强大的泛化能力。