MOSAIC：按查询调整GraphRAG探索策略

GraphRAG能连接语料图中分散的证据，但多数系统对不同查询采用近乎相同的探索过程，形成结构失配：直接事实可能只需局部邻域，比较题需要均衡覆盖多个目标，中介型问题则可能需沿弱相关连接深入。免训练MOSAIC将检索表述为逐查询控制问题，由LLM分析器把证据需求转换为对种子选择、图遍历、停止及证据选择的有界策略，语料图、索引、评分、证据落地过程和回答生成器保持共享。在GraphRAG-Bench上，Medical和Novel的查询加权答案正确性分别为76.97和64.33，比此前最好整体结果高5.13及4.43；Medical证据召回95.1、上下文相关性86.1。同图同生成器控制对照显示，没有固定窄、中或宽策略始终最优，MOSAIC比最强标准固定策略高9.96。相对Fixed Wide，评估路径减少81.9%，保留证据减少47.2%。HotpotQA、MuSiQue与2WikiMultiHopQA迁移实验也显示，该策略接口无需基准专用检索训练即可应用。