SubgraphRAG：当知识图谱遇上大模型，RAG 的「简单」之道

图1：SubgraphRAG 整体框架——子图检索与 LLM 推理两阶段协同工作

开篇：一条多跳问答的难题

想象这样一个问题："谁写了某本书，而这本书改编成了某部电影？" 要回答这个问题，AI 系统必须同时理解两个关联关系——"作者"和"改编"——并在知识图谱中从起点实体出发，沿着两条不同路径找到最终答案。这就是多跳知识图谱问答（Multi-hop KGQA），也是当前 RAG 系统最难啃的硬骨头之一。

大多数传统 RAG 系统从非结构化文本中检索碎片，天然缺乏对实体关系的精确建模；而传统知识图谱问答系统又高度依赖手工设计的规则和特征工程。2025 年 ICLR 论文 SubgraphRAG 提出了一个令人耳目一新的答案：Simple is Effective——用简单直接的方法，在知识图谱上进行子图检索与 LLM 推理结合，居然击败了众多复杂方案。

背景：Graph-COM 团队与知识图谱 RAG 的探索

SubgraphRAG 由佐治亚理工学院（Georgia Tech）Graph-COM 实验室发布，领衔作者是 Mufei Li（李慕飞），他同时也是 PyTorch Geometric 的核心贡献者之一，在图机器学习领域有深厚积累。另一位作者 Siqi Miao 和 Pan Li 共同完成了这项研究。该工作发表在 ICLR 2025（International Conference on Learning Representations），是图学习和表示学习领域的顶级会议。

项目 GitHub 仓库目前已获得约 185 颗星、31 个 Fork，涵盖了知识图谱（Knowledge Graph）、RAG、大语言模型（LLM）等多个前沿技术方向，是近期图 RAG 领域最受关注的工作之一。

类比：SubgraphRAG 像什么？

如果把知识图谱比作一张城市地铁线路图——每个站点是一个实体，每条线路是一种关系——那么 SubgraphRAG 的工作方式就像一位经验丰富的老司机：

Retrieve 阶段（检索）：这位司机首先用电子眼（文本编码器 GTE-large）扫描整张线路图，快速定位到与乘客出发地（Topic Entity）相关的关键站点，然后沿多条线路展开搜索，找出所有与目的地（Answer Entity）相连的路径——这些路径就是检索到的「子图三元组」。
Reason 阶段（推理）：拿到这些线路段之后，司机（LLM）结合自己的知识地图，最终判断哪条路线是正确的，或者给出所有可能的到达方式（多答案支持）。

整个流程干净利落，没有多余的中间层，每一步都直接作用于图结构。

核心技术：两阶段架构详解

Stage 1：子图检索（Retrieve）

检索阶段又分为三个子模块：

1）文本编码（Embedding Pre-computation）

使用阿里巴巴开源的 GTE-large-en-v1.5 文本编码器，将问题、实体名称和关系文本分别编码为 1024 维向量。GTE（General Text Embedding）是一种高性能的双语/多语文本表示模型，在 MTEB 等评测基准上表现优异。预计算所有嵌入向量并缓存，可大幅加速后续训练和推理。

2）Retriever 模型（图神经网络打分器）

这是整个系统的核心创新之一。作者设计了一个基于 PyTorch Geometric 的轻量级图神经网络，核心组件包括：

DDE（Double Direction Embedding，双向路径编码）：对从 Topic Entity 到 Answer Entity 的所有最短路径做双向图卷积。模型会沿正向和反向各做若干轮 Message Passing，捕捉不同跳数下的路径结构信息。
三元组评分器：将问题嵌入、头尾实体嵌入、关系嵌入以及 DDE 路径编码拼接，通过两层 MLP 输出每条候选三元组的得分。

训练信号来自弱监督：利用 NetworkX 提取问题主题实体到答案实体的最短路径，将其作为正样本，其余路径作为负样本。

3）Top-K 检索

根据打分结果，取 Top-K（代码支持 K=50/100/200/400）得分最高的三元组，作为下一阶段的输入。评测指标包括 Ans Recall@K（答案实体召回率）、Shortest Path Triple Recall@K 和 GPT Triple Recall@K。

Stage 2：推理（Reason）

推理阶段使用大语言模型，基于检索到的子图三元组回答多跳问题。支持两种主流推理引擎：

vLLM：支持本地部署的 LLaMA、Qwen 等开源大模型，通过 PagedAttention 和连续批处理实现高吞吐推理
GPT 系列：通过 OpenAI API 调用 GPT-4o 等模型

推理支持多种 Prompt 策略：

CoT（Chain-of-Thought）：先生成推理过程，再输出答案
ICL（In-Context Learning）：在 Prompt 中加入少量示例，引导模型模仿
GPT Label 模式：用 GPT 标注高质量推理轨迹，用于特定场景

推理结果评测指标非常全面：Hit@1、F1（宏平均/微平均）、Exact Match、Hal Score 等。

实验结果

论文在两个标准多跳知识图谱问答数据集上进行了评测：

WebQSP：Google Freebase 上的单跳/多跳问答数据集
CWQ（Complex Web Questions）：比 WebQSP 更复杂的组合问题数据集

作者将 SubgraphRAG 与 RoG、Kaqa、FiD 等多个强基线方法进行了对比，实验结果表明：在不同的 Top-K 设置下，SubgraphRAG 均能取得领先的答案召回率和 F1 分数，验证了「简单方法的有效性」。

适用场景与局限

适用场景：

企业内部知识库的复杂多跳问答（如"哪些供应商同时提供了某类原材料，且通过了 XX 认证？"）
医疗/法律领域需要精确关系推理的知识服务
学术文献知识图谱的智能问答系统

局限：

目前仅支持英文知识图谱（Freebase），未覆盖中文知识图谱（如 CN-DBpedia、OwnThink）
Retriever 训练依赖预标注的问题-答案实体对，冷启动场景需要额外数据支持
无 Web UI，项目以纯研究代码形式发布，需要 ML 研究背景才能复现

行业意义

SubgraphRAG 的核心贡献不在于刷榜，而在于它用两条简洁的设计原则（精准的子图检索 + 直接的 LLM 推理），重新思考了知识图谱与 RAG 的结合方式。在当前 RAG 系统普遍追求「复杂架构」和「多阶段管道」的背景下，这种「大道至简」的思路为社区提供了一剂清醒剂。

作者代码结构清晰、文档完整（两个 Stage 独立运行，提供预训练模型下载），复现门槛相对可控，预计将对该领域后续研究产生持续影响。

SubgraphRAG：当知识图谱遇上大模型，RAG 的「简单」之道

图1：SubgraphRAG 整体框架——子图检索与 LLM 推理两阶段协同工作

开篇：一条多跳问答的难题

背景：Graph-COM 团队与知识图谱 RAG 的探索

类比：SubgraphRAG 像什么？

如果把知识图谱比作一张城市地铁线路图——每个站点是一个实体，每条线路是一种关系——那么 SubgraphRAG 的工作方式就像一位经验丰富的老司机：

Retrieve 阶段（检索）：这位司机首先用电子眼（文本编码器 GTE-large）扫描整张线路图，快速定位到与乘客出发地（Topic Entity）相关的关键站点，然后沿多条线路展开搜索，找出所有与目的地（Answer Entity）相连的路径——这些路径就是检索到的「子图三元组」。
Reason 阶段（推理）：拿到这些线路段之后，司机（LLM）结合自己的知识地图，最终判断哪条路线是正确的，或者给出所有可能的到达方式（多答案支持）。

整个流程干净利落，没有多余的中间层，每一步都直接作用于图结构。

核心技术：两阶段架构详解

Stage 1：子图检索（Retrieve）

检索阶段又分为三个子模块：

1）文本编码（Embedding Pre-computation）

2）Retriever 模型（图神经网络打分器）

这是整个系统的核心创新之一。作者设计了一个基于 PyTorch Geometric 的轻量级图神经网络，核心组件包括：

DDE（Double Direction Embedding，双向路径编码）：对从 Topic Entity 到 Answer Entity 的所有最短路径做双向图卷积。模型会沿正向和反向各做若干轮 Message Passing，捕捉不同跳数下的路径结构信息。
三元组评分器：将问题嵌入、头尾实体嵌入、关系嵌入以及 DDE 路径编码拼接，通过两层 MLP 输出每条候选三元组的得分。

训练信号来自弱监督：利用 NetworkX 提取问题主题实体到答案实体的最短路径，将其作为正样本，其余路径作为负样本。

3）Top-K 检索

Stage 2：推理（Reason）

推理阶段使用大语言模型，基于检索到的子图三元组回答多跳问题。支持两种主流推理引擎：

vLLM：支持本地部署的 LLaMA、Qwen 等开源大模型，通过 PagedAttention 和连续批处理实现高吞吐推理
GPT 系列：通过 OpenAI API 调用 GPT-4o 等模型

推理支持多种 Prompt 策略：

CoT（Chain-of-Thought）：先生成推理过程，再输出答案
ICL（In-Context Learning）：在 Prompt 中加入少量示例，引导模型模仿
GPT Label 模式：用 GPT 标注高质量推理轨迹，用于特定场景

推理结果评测指标非常全面：Hit@1、F1（宏平均/微平均）、Exact Match、Hal Score 等。

实验结果

论文在两个标准多跳知识图谱问答数据集上进行了评测：

WebQSP：Google Freebase 上的单跳/多跳问答数据集
CWQ（Complex Web Questions）：比 WebQSP 更复杂的组合问题数据集

适用场景与局限

适用场景：

企业内部知识库的复杂多跳问答（如"哪些供应商同时提供了某类原材料，且通过了 XX 认证？"）
医疗/法律领域需要精确关系推理的知识服务
学术文献知识图谱的智能问答系统

局限：

目前仅支持英文知识图谱（Freebase），未覆盖中文知识图谱（如 CN-DBpedia、OwnThink）
Retriever 训练依赖预标注的问题-答案实体对，冷启动场景需要额外数据支持
无 Web UI，项目以纯研究代码形式发布，需要 ML 研究背景才能复现

行业意义

作者代码结构清晰、文档完整（两个 Stage 独立运行，提供预训练模型下载），复现门槛相对可控，预计将对该领域后续研究产生持续影响。