GraphSearch: An Agentic Deep Searching Workflow for Graph Retrieval-Augmented Generation

图检索增强生成（GraphRAG）通过基于图的结构化表示对知识进行建模，从而增强大语言模型在事实推理方面的能力。然而，现有的GraphRAG方法面临两大核心局限：一是检索过浅，无法充分挖掘所有关键证据；二是对预先构建的结构化图数据利用效率低下，从而阻碍了对复杂查询的有效推理。为应对这些挑战，我们提出了\textsc{GraphSearch}，一种面向GraphRAG的新型代理式深度搜索工作流，具备双通道检索能力。\textsc{GraphSearch}将检索过程组织为包含六个模块的模块化框架，支持多轮交互与迭代推理。此外，\textsc{GraphSearch}采用双通道检索策略，一方面在基于文本块的数据上执行语义查询，另一方面在结构化图数据上执行关系查询，从而全面利用两种模态数据及其互补优势。在六个多跳检索增强生成基准上的实验结果表明，与传统方法相比，\textsc{GraphSearch}在答案准确率和生成质量方面均表现出持续提升，验证了其作为推进图检索增强生成技术的一个有前景方向的潜力。

现有的图检索增强生成（GraphRAG）方法面临两个核心问题：一是检索过浅，无法充分挖掘关键证据；二是未能高效利用已构建的结构化图数据，导致对复杂多跳查询的推理能力受限。这是一个重要且尚未被充分解决的问题，尤其在需要深度推理的场景中愈发突出。

提出\textsc{GraphSearch}，一种基于代理的深度搜索工作流，采用双通道检索机制：语义检索作用于文本块，关系检索作用于结构化图数据，实现两种模态信息的互补融合。其模块化六阶段框架支持多轮交互与迭代推理，显著提升证据发现与推理能力。相比传统GraphRAG，该方法首次系统性地将深度搜索策略与双通道协同检索引入RAG流程，具有较强创新性。

在六个多跳RAG基准上验证了\textsc{GraphSearch}的有效性，一致优于传统方法，在答案准确性和生成质量方面均有提升。实验设计严谨，覆盖多种复杂查询类型。论文虽未明确提及代码开源，但其模块化设计为后续研究提供了清晰的技术路径，值得进一步探索其在真实世界知识图谱和大规模LLM中的应用。

1. GraphRAG: Boosting Reasoning in Language Models via Graph-Structured Evidence 2. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks 3. Multi-Hop Question Answering via Knowledge Graphs and Neural Readers 4. Reasoning with Language Models and Knowledge Graphs: A Survey 5. Deep Retrieval for Knowledge-Intensive Reasoning 6. Modular Agents for Iterative Information Seeking