文本-图协同：面向RAG的双向验证与补全框架

检索增强生成（RAG）已成为增强大语言模型（LLM）中事实基础和多跳推理的核心范例。传统的基于文本的 RAG 通常检索逻辑上不相关的伪证据，而基于图的 RAG 经常受到搜索时修剪的阻碍，这可能会丢弃潜在的有效推理路径。现有的混合方法主要采用简单的证据串联或单向增强，无法解决非结构化文本和结构化图之间推理流不对称造成的根本“信息岛”问题。我们提出了 \textbf{TGS-RAG}，一个用于 \textbf{T}ext-\textbf{G}raph \textbf{S}协同增强的统一框架。 TGS-RAG 引入了一种双向机制：（i）一个 \textbf{Graph-to-Text} 通道，它采用来自访问图节点的全局投票策略来重新排序和细化文本证据，过滤掉语义噪声； (ii) 一个使用 \textbf{基于内存的孤儿实体桥接}算法的 \textbf{文本到图形} 通道。该算法利用文本提示主动从搜索历史中恢复有效但先前修剪过的推理路径，而无需额外的数据库开销。多个多跳推理基准的实验结果表明，TGS-RAG 显着优于最先进的基线，在检索精度和计算效率之间实现了卓越的平衡。