云原生 Graph-RAG 中的解耦错误归因：数据完整性诊断框架

Graph-RAG 系统通常假设原始数据质量，忽略了云原生数据库中扰动的严重影响。本文提出了一种三层解耦诊断框架，将系统错误正交归因于推理损失、知识图（KG）缺陷和密码生成错误。对藏东南地区具有八种缺陷类型的时空生态知识图谱进行评估，结果表明，数据完整性（而不是算法推理）是主要的性能瓶颈，结构缺陷使系统精度从 0.93 降低到 0.39。至关重要的是，我们观察到一种类似掩蔽的现象，称为参数知识掩蔽效应（PKME），这表明大语言模型使用内部存储器来补偿损坏的检索路径。这将明显的查询生成错误减少了 70% 以上，掩盖了实际的存储恶化情况，并增加了自动监控误报的风险。这项工作为审计和优化基于云的信息融合系统中的数据完整性提供了定量基础。