面向真实世界监管合规问答的引用闭包检索与逐规则归因

将大语言模型（LLM）部署于监管合规场景，要求通过跨多层级权威结构的全面引用实现严格的可追溯性。与传统的多跳问答或法律问答不同，该任务需要结构化的程序性查找与证据集闭包，而非实体消解或判例推理。现有 RAG 系统在此类任务上表现吃力，原因在于被拉平的引用边、碎片化的检索扩展以及脆弱的事后归因。我们通过 RegOps-Bench 对监管合规问答进行形式化，这是一个新基准，其特色是从复杂的国家研发（R&D）法规中导出的运营知识图谱（Operational Knowledge Graph）。为突破这些瓶颈，我们提出由共享主题锚点驱动的统一框架 RefWalk。RefWalk 遍历跨文档引用，通过基于最大值的聚合融合多视图候选，并强制逐条规则归因，将论断显式映射到来源。我们建立了一个强基线，在检索召回率与引用准确率上取得大幅提升。最后，在美国医疗合规数据集（HIPAA）上的对比评估显示，现有系统在扁平结构规则上已趋于饱和，这凸显了对 RegOps-Bench 的需求。我们的代码已发布于 https://github.com/yeongjoonJu/RefWalk。