05.1
按知识组织和检索动作比较方法
方法名称不能直接充当采购清单。一个系统自称GraphRAG，可能指从文本抽取实体图，也可能指在现有业务图上查找邻居，还可能指将图编码器接入语言模型。本报告建议先回答四个具体问题：索引时保存什么，查询时从哪里出发，沿什么关系扩展，最终给生成器什么证据。用这四项建立比较表，才能识别两个名称不同的实现是否实际上做了相近的工作，也能发现同一名称下不可互换的技术路径。两篇综述为理解这一多样性提供入口，但具体实现仍要回到相应论文和版本。[R07][R08]
比较单位应是完整配置，包括数据处理、模型、检索预算、提示词、缓存和访问范围，而不能只有算法标签。假设方案甲使用更强的生成模型、更多原文和更长上下文，即使回答更好，也不能直接把差异归因于图结构。实际选型可以先建立一个可靠的向量与关键词混合基线，再只改变证据组织方式，随后逐步开放其他优化。这种顺序让团队知道图带来的增量在哪里。若图没有改善目标问题，结论应该是当前图配置尚无价值，而不是数据天然不适合任何图方法。
05.2
LightRAG与不同粒度的检索线索
LightRAG将图结构与检索结合，并强调不同层次的信息检索。理解它时，一个实用视角是把查询拆成具体对象线索和较抽象的主题线索：前者帮助定位某个实体及其邻接关系，后者帮助寻找跨对象的关联信息。这与微软社区报告路线的侧重点并不完全相同，因此不能把两者当作同一索引的简单快慢版本。论文标题中的轻量与快速也不应替代本地测量；文本长度、抽取模型、图密度和更新方式都会改变实际代价。[R10]
例如，企业问题“设备A为什么连续停机”既包含明确设备，也包含需要解释的故障主题。系统可以并行寻找设备记录、故障类型以及相关工单，再按时间和来源整合。这里最容易犯的错误是把主题相似当成同一事件：两个设备都出现过高温，并不意味着它们共享一次故障。为避免这种扩展失控，检索线索应附带事件、地点和时间边界。评估时分别统计对象命中、关系覆盖与无关扩展比例，并记录这些线索是否帮助找到了原先缺失的证据。算法提供线索组织方式，任务边界决定它是否真正有用。
05.3
HippoRAG系列与关联式记忆
HippoRAG以受神经生物学启发的长期记忆为研究出发点，利用图和关联式检索组织外部知识；后续HippoRAG 2进一步讨论从RAG走向非参数持续学习的记忆系统。这里的记忆首先是一种工程组织方式，不意味着系统具有人的经历或生理机制。它的研究价值在于：一个问题可能无法靠单条文本的局部相似度找到所有材料，图上关联传播可以提供另一条发现路径。是否获得更好的长期知识使用能力，仍需在明确的更新与查询任务中验证。[R11][R12]
在实际设计中，记忆应同时包含保留与遗忘规则。加入一份新报告后，需要判断它补充了旧结论、推翻了旧结论，还是只描述了另一个时间片。如果只是不断累加边，系统可能越来越容易找到过时关联。持续学习的评估也不能只看静态测试集：应设置按时间到达的新知识、修改后的事实、被撤回的来源和重复表达，检查旧任务是否保持、新任务是否学会以及失效信息是否停止被使用。这样的测试将记忆能力转化为可观察行为。一个可审计的外部记忆库，理应能解释某条关联何时进入、由谁支持、何时失效。
05.4
KG2RAG与证据片段之间的组织
KG2RAG利用知识图谱引导片段扩展和组织，为理解“先召回再连起来”提供了有用研究实例。它提示我们，图的价值可以体现为改善证据上下文，而不一定要求生成器直接阅读一张大型图。一个段落谈设备，另一个段落谈维护记录，第三个段落说明替换部件；通过共享实体和关系，可以将这些片段组织成更连贯的回答材料。这里只概括论文的方法方向，不把其特定实验结果推广为所有数据上的优势。[R13]
组织证据时，需要保留逻辑连接的类型。两段材料共同提到一个供应商，属于共同实体；一份记录明确引用另一份文件，属于文档依赖；一个事件发生在另一个事件之后，属于时间顺序。它们对答案的支持力度不同。把所有连接压成无类型邻接，会让生成器把“相关”误读成“解释”。建议输出证据包时列出连接理由和原文定位，并限制跨越的最大步数。还应把直接证据放在推断路径之前，让读者先看到原文说了什么，再看到系统如何把材料连接起来。这样即使组织策略失败，也能定位到具体的错误连接。
05.5
G-Retriever与图本身成为问题对象
有些任务不是从长篇文档建立图，而是已经存在带有文字属性的网络，用户直接询问其中的对象与联系。G-Retriever研究文本属性图上的理解与问答，提醒我们不要把所有图增强生成都限定为微软式社区摘要。对于已有设备网络、论文引用网络或产品关系网，问题可能需要选取相关子图，再把结构与文字共同交给模型。该方向的训练与推理条件，应与仅调用外部语言模型的流水线分开说明。[R14]
选择子图不是越大越好。一个包含几千节点的连通区域，可能只含两条对问题真正必要的关系，却引入大量同名实体和外围描述。工程上可以把子图选择看作带预算的证据覆盖问题：优先保留能连接关键对象的路径、支持这些路径的来源以及必要的反例。若某条路径存在多种解释，应该输出备选子图而不是强迫模型选一个故事。图上的距离也不等于现实世界的重要性，一条很短但来自低可信来源的路径，可能不如更长但有明确记录的证据链。结构信息需要与证据质量共同判断。
05.6
从任务矩阵形成组合方案
本报告建议按任务而非品牌建立选型矩阵。明确事实查询优先检查精确定位与出处；跨文档关系问题关注实体消歧与路径完整性；全库主题问题关注覆盖、归纳和少数观点保留；视觉问题关注图像证据是否不可替代。对每一行任务，同时记录最小可用方案、图带来的预期收益、可能增加的失败模式和可接受成本。比较研究已经强调RAG与GraphRAG的表现依赖任务条件，因此不能从单一平均分推出一种方法全面替代另一种。[R09]
最终系统可以组合多条检索路径，但组合必须有可解释的路由。先识别问题是否需要全局概括、关系推理或视觉辨认，再分配检索预算；若分类不确定，可同时运行较便宜的候选路径并合并证据。路由自身也要评估，因为一次错误的全局路由可能比检索模型的小幅提升影响更大。建议保留每次请求的路由理由、候选数量、证据来源和回退原因。采购或上线决策应基于真实问题分布下的效用，而不是最复杂问题上的演示效果。复杂方案值得采用的条件，是它持续改善重要任务并承担得起新增维护责任。
依据 R02、R10—R14 的方法方向综合