深度GraphRAG：一种兼顾层次化检索与自适应整合的平衡方法

基于图的检索增强生成（GraphRAG）框架在全局搜索的全面性与局部搜索的效率之间存在权衡。现有方法在处理大规模层次化图结构时，常面临检索路径优化、探索-利用平衡及多阶段重排序不足等挑战。为此，本文提出Deep GraphRAG框架，采用从全局到局部的层次化检索策略，融合社区间宏观与社区内微观上下文关系。该策略包含三阶段流程：社区间过滤、社区级精炼和实体级细粒度搜索，并引入基于束搜索优化的动态重排序模块以平衡效率与全面性。此外，其知识整合模块采用紧凑型LLM，结合新型强化学习算法DW-GRPO动态调整相关性、忠实性与简洁性三重目标的奖励权重，使1.5B模型在整合任务中接近70B大模型性能。在Natural Questions和HotpotQA上的实验表明，该方法在准确率与效率上显著优于基线。