HyGRL：面向多实体问题的自适应混合图推理

多实体组合问题对现有检索增强语言模型构成显著挑战。常规方法陷入两难：标准RAG缺乏动态推理；传统Graph-RAG受结构稀疏限制；LLM构建的Graph-RAG成本高昂。我们提出HyGRL，一个统一框架：把非结构化文本嵌入结构化知识图谱，创建用于灵活证据检索的异构网络。推理被表述为自适应结构归纳，经稳健的两阶段过程学习：（1）模仿学习蒸馏启发式专家信号；（2）强化学习用LLM驱动的偏好奖励精炼策略。实验表明HyGRL有效融合文本丰富性与结构知识，在答案准确率与推理保真度上超过SOTA基线，同时保持极低的token成本与近实时推理。代码见https://github.com/wjywjy123/HyGRL。