论文
VDGR-RAG：向量、目录、图与反思的统一层级企业知识推理
VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over Hierarchical Enterprise Knowledge
摘要
检索增强生成（RAG）对企业知识问答（QA）至关重要，尤其是在电信等拥有复杂产品文档的领域。然而，现有RAG方法在很大程度上忽视了多种检索优势的整体整合，导致领域路由不准、层级文档结构利用不足，进而限制了对企业知识的推理能力。为解决这些局限，我们提出VDGR-RAG，将向量检索、目录驱动推理、图遍历与迭代反思整合于统一框架，实现准确的企业知识问答。具体而言，VDGR-RAG是一个agentic GraphRAG系统：首先从文档块构建层级异构知识图谱（H²KG），同时保留层级目录结构与语义关系；然后使用一组可自由组合以遍历H²KG的知识检索原子工具：（1）目录增强路由工具，利用目录（TOC）结构将用户查询路由到合适的领域专属H²KG；（2）多路检索工具，结合向量搜索、基于TOC的agentic搜索与图搜索实现全面的知识检索；（3）目录回溯工具，纠正知识定位偏差；（4）动态反思工具，迭代规划下一检索阶段。我们在覆盖四个无线领域（如节能与故障管理）的企业产品文档上开展了大量实验。实验结果表明，我们的方法在知识检索召回率与问答准确率上均显著优于多种RAG基线。
