LivingRAG：用经验增强Graph RAG

基于图的RAG通过把证据组织为知识图谱来改进多跳问答。然而，大多数现有RAG系统孤立地处理每个查询，并在推理结束后丢弃LLM响应中有用的推理内容。结果是，后续相关查询需要从头检索证据并重新推理。我们提出LivingRAG，一个具备可写、可复用推理经验的Graph RAG框架。LivingRAG在图检索主干上增加可写经验库，使经核验的经验可在推理时以两种方式复用。存储的图信号帮助检索找到在早前相关查询中有用的实体与段落。存储的摘要为答案生成提供参考推理模式。我们分析在线问答流，发现来自共享实体、图邻域与问题模板的可复用信号。在多跳问答基准上的实验表明，LivingRAG相对强RAG基线提升了准确率，并在复用相关既有经验时减少了completion token用量。