推理、记忆与推理时控制
突破级
暂无讲解视频
收录解读
Knowledge Graph RAG 一直比文档式 RAG 更难做，尤其在 multi-hop graph reasoning 上，传统做法往往要在 classical KG retrieval 和 LLM generation 之间做很多特化 glue code，或者退化成昂贵且脆弱的图检索流水线。UltRAG 的思路是换个接口：不再把 KG 当作普通上下文检索源，而是让 LLM 直接调用 query execution 模块。
论文提出 ULTRAG，通过现成的 neural query executing modules，让语言模型在无需重训练 LLM 或 executor 的前提下执行 Knowledge Graph 问答。作者强调这不是 classical RAG 的一个小变种，而是让 LLM 以更接近 query planner/executor 的方式与 Wikidata 级别的大图交互，并在 KGQA 上达到优于现有 KG-RAG 的效果，同时成本可控。
这篇工作值得收录，因为它给 graph-grounded retrieval-reasoning 提供了更可扩展的接口设计。对 KG-RAG、knowledge-intensive agents 和大规模结构化知识接入来说，这种‘LLM + query executor’的范式比单纯堆图检索模块更耐用。
它没有升到更高一级，是因为当前主要影响仍然集中在 KGQA 和 graph-grounded retrieval 这条子线，尚未证明会反过来重写更广泛的 RAG 基础设施。它是很好的方法推进，但还没到更高层。