KGiRAG：用于响应意义构建查询的迭代 GraphRAG 方法

最近的文献强调了 大语言模型 (LLM) 检索增强生成 (RAG) 管道中基于图的方法在回答不同复杂性的查询方面的潜力，特别是那些超出 LLM 先验知识的查询。然而，LLM 很容易产生幻觉，并且在处理足够大的上下文以有效地进行复杂查询时经常面临技术限制。为了应对这些挑战，我们提出了一种新颖的迭代式、反馈驱动的 GraphRAG 架构，该架构利用响应质量评估来迭代地细化输出，直到产生合理的、有根据的响应。通过使用来自 HotPotQA 数据集的查询评估我们的方法，我们证明了与单次基线相比，这种迭代 RAG 策略产生的响应具有更高的语义质量和更高的相关性。