16.1
检验图结构究竟贡献了什么
未来研究首先需要把图结构的贡献与其他改进分开。一个可检验假设是：在需要跨片段连接的问题上，具有正确类型和身份的关系，比仅提供相同实体名更有帮助。实验可以固定原文、生成模型和上下文预算，比较真实关系、随机关系、无关系和人工参考关系。如果真实图与无图差异很小，而人工参考图明显更好，瓶颈可能在构图质量；如果两种图都无改善，则可能是问题不需要图或生成器没有利用结构。
这种设计比单纯增加一个图模块更能解释结果。还可以按路径长度、实体歧义和关系稀有度分组，判断结构在哪些条件下有用。随机边对照应控制图密度，避免因为上下文长度不同引入混杂；人工图则需要记录标注成本，不能作为免费资源比较。研究报告应同时给出成功与失败问题的证据路径，让读者判断收益是否来自合理连接。图的价值不必表现为所有任务都提升。能够准确识别需要图的子任务，并在其他任务中回退到更简单方法，本身就是具有实用意义的研究结果。
16.2
把不确定性传播到摘要与答案
当前系统容易在层层摘要中丢失不确定性：原文的可能变成观察中的肯定，观察中的分歧又在社区报告中被合并。一个重要研究方向是让知识状态沿派生链传播，而不是只在最后一句添加模糊免责声明。可以为观察保存支持、反对与未知条件，在生成摘要时要求保留分歧，最后检查答案是否维持同样边界。这里需要区分模型概率、来源可靠性和证据完整性，它们不是可以直接相乘的同一种数值。
可检验假设是，显式状态与证据依赖能降低冲突问题上的过度确定，同时不过度增加拒答。实验应同时包含一致、冲突、时间变化和资料缺失，分别衡量正确判断与合理回答范围。还应检查压缩程度是否影响少数证据保留。研究难点在于如何给用户足够信息而不造成阅读负担，可以比较简短状态标签、并列来源和展开式证据三种呈现。良好的不确定性表达不是堆叠可能、也许等词，而是说明哪些结论被支持、哪些条件尚未确认，以及补充什么证据能改变判断。
16.3
研究模态必要性与证据充分性
多模态GraphRAG需要回答一个比能否处理图片更严格的问题：哪些问题必须依赖图片，哪些图片区域真正改变答案。可以把模态必要性作为问题标注的一部分，要求标注者说明文字是否足够、视觉证据补充了什么、是否存在替代来源。然后比较系统在完整输入、移除视觉和错误视觉条件下的变化。若移除图像后答案不变，需要判断是文字已经足够，还是模型忽视了视觉；仅凭分数稳定无法区分这两种情况。
证据充分性也可以研究为最小支持集合问题。对于一个陈述，哪些观察共同足以支持，哪些只是背景，哪些是反例？图结构可以表达这些角色，生成器则应在预算内保留关键组合。实验可测量减少证据数量时的质量曲线，而不是只测试固定前若干项。对视频与复杂页面，还要考虑时间或空间关系的必要性。研究目标不是让所有模态永远参与，而是让系统选择足够且必要的证据。这样既可能降低成本，也能提高解释清晰度，并减少无关图片或冗余图路径给模型带来的干扰。
16.4
动态知识与长期评测
多数静态评测难以说明系统运行数月后是否仍可靠。长期研究可以按时间输入新资料、修订和撤回，定期查询同一组历史问题与新问题，观察知识更新、遗忘和引用有效性。关键指标包括从变更到生效的延迟、失效证据继续被引用的比例、实体误合并累积以及修复后的复发。这个方向需要保存完整版本，不然无法判断系统当时可见的资料是什么，也就无法公平评估历史回答。
长期实验还应测量维护工作，而不只测量自动化部分。人工审核时间、规则更新和故障处理可能成为实际成本主体。可以比较全量重建、局部更新和延迟更新策略，在同一变化序列下观察质量与成本。数据漂移应与软件升级分开记录，避免把两者混在一次前后比较中。研究结果若只能在一次固定快照上成立，应明确其时间边界；若能跨多轮更新保持稳定，则需要展示稳定性的证据。动态知识研究将GraphRAG从一次索引与回答，推进到可持续的知识服务，这也是其应用价值能否长期成立的重要条件。
16.5
分阶段采用路线
建议采用四个有退出条件的阶段。第一阶段梳理资料与问题，建立来源清单、权限和人工参考答案；第二阶段实现可靠的基础检索与引用，明确哪些错误仍未解决；第三阶段只为关系、全局或视觉必要问题增加相应结构，并进行同条件对照；第四阶段加入持续更新、纠错与运营监测。每一步的交付应是可检查的结果，而不只是完成一个模块。阶段之间不必按固定日历推进，应由证据与团队能力决定。
进入下一阶段前可以问三个问题：新增能力是否改善目标任务，新增失败模式是否能被发现和修复，维护成本是否有责任主体承担。若任一问题答案不清楚，就应缩小范围或继续验证。对高校课程，路线可以转化为从纸卡到表格再到代码的学习序列；对企业，路线可以转化为小范围试点与逐步推广。图谱规模、模型参数和图像数量都不能代替验收结果。报告建议保留每阶段的决策记录，包括选择、证据、未解决问题和回退方式，使技术路线能够随着新的实验结果调整。真正成熟的采用过程允许简化，而不把复杂性本身当作进步。
本报告原创设计
16.6
两条研究线的连接与最终判断
微软文章与美团文章分别突出知识使用与知识构建的不同侧面。前者说明关系结构和社区层次可以帮助面向私有叙事资料的发现，后者说明食材级多模态信息可以支持细粒度菜品理解。把两者连接起来，需要补上统一身份、证据定位、版本、权限和评测，而不是只在系统名称前加上多模态。图谱为关系提供结构，多模态为观察提供互补，检索为问题选择材料，生成负责组织表达；任何一层的错误都可能改变最终判断。
本报告的综合判断是，GraphRAG与多模态图谱值得作为一组可检验的工程与研究方法使用，其价值取决于问题确实需要关系或视觉证据、来源足够可靠、错误能够追踪以及维护能够持续。它们不会自动消除幻觉，也不会把相似度变成事实或把共现变成因果。最有说服力的应用不是展示最大网络，而是在具体问题上给出更完整的必要证据、更清楚的不确定性和更可修复的过程。后续研究应围绕这些可观察结果展开，并同时报告没有改善的条件。只有如此，技术的进步才能转化为更可靠的知识工作与更扎实的教学实践。