Свежие публикации по KG-RAG
В первом полугодии 2026 подход KG-RAG окончательно перешел из области экспериментов в набор общепринятых методологий, архитектур и программных решений. Необходимость опоры на структурированные знания в широком круге прикладных задач уже не вызывает сомнений. Внимание исследователей сосредоточено на решении конкретных инженерных задач, таких как ускорение поиска релевантных знаний в графе, конструирование и наполнение графов знаний для различных отраслей, проблемам работы в условиях заведомо неполных знаний, решению классической задачи обхода графа в применении к формированию контекста запроса к LLM, алгоритмам ранжирования элементов знания, использованию KG-RAG в агентной среде и так далее.
В новейших публикациях, как и ранее, в основном рассматриваются schema-less графы, которые содержат факты или фрагменты текста, но не описывают структуру знаний (структура либо жестко задана извне, либо отсутствует - узлы графа и связи не типизируются). Типичными подходами является использование графовой СУБД neo4j, фреймворка LangGraph для реализации гибкой логики на этапах как конструирования, так и использования графа.
В литературе под термином KG-RAG объединяется множество подходов, которые можно классифицировать по способу формирования структуры графа:
1. Элементами графа являются чанки текста или структурные элементы документа (разделы, таблицы и др.)
2. Элементами графа являются объекты предметной области, то есть конкретные клиенты, изделия, субстанции и др. (в зависимости от предметной области), но схема данных как таковая отсутствует или жестко задана в приложении. Этот подход часто комбинируется с первым.
3. Концептуальный уровень графа знаний - полноценная OWL-онтология, отражающая типы свойств и связей объектов предметной области. Структура онтологии опирается на известные верхнеуровневые или отраслевые модели, либо конструируется ad hoc в процессе индексирования источников знаний. При этом факты, соответствующие онтологической модели не обязательно хранятся в RDF triple store в связи с требованиями производительности и масштабирования.
Предметом нашего исследовательского интереса являются реализации KG-RAG, опирающиеся на онтологические графы знаний, поэтому рассмотренные ниже работы используют третий или второй подход. В этой специфической области также наблюдается рост количества и качества публикаций. Многие из них сравнивают в том числе метрики эффективности онтологического KG-RAG в сравнении с извлечением знаний из schema-less графа. Фреймворки SCAIR и HEAR демонстрируют значение accuracy до 94.7 в сложных корпоративных задачах, что является крайне высоким показателем эффективности. Сравнение со schema-less подходами показывает, что онтологический KG-RAG превосходит их в точности ответов и эффективности индексирования - позитивными "побочными эффектами" оказываются более высокая плотность полезной информации в графе, меньшее количество ошибок и противоречий за счет использования ограничений, меньшие затраты токенов LLM на всех этапах обработки. Schema-less решения эффективнее масштабируются за счет лучшей масштабируемости хранилищ, но практические потребности индустрии заставляют во многих случаях делать выбор в пользу работы со структурированными знаниями, руководствуясь целью построения доверенного и объяснимого AI для профессиональных применений.
В прошлых обзорах мы уже рассматривали процесс конструирования онтологического графа знаний и возникающие при этом исследовательские и инженерные задачи.
Актуальными остаются исследовательские проблемы автоматизированного построения онтологий, семантического выравнивания извлекаемых из документов концептов с готовыми моделями, интеграции знаний из различных предметных областей в одном графе.
Мы выделили несколько свежих работ, наиболее близких к тематике наших исследований и практических разработок. В этот обзор мы не стали включать несколько интересных с технологической точки зрения статей, описывающих реализованные проекты в области управления знаниями о культурном наследии, медицине и биотехнологиях, где применение онтологических моделей данных давно является общепринятым. Не будем также рассматривать задачи, связанные с анализом кодовой базы. Мы сосредоточимся только на применениях KG-RAG в промышленности и корпоративном секторе.
1. L. Wang et al., "Hypergraph Enterprise Agentic Reasoner over Heterogeneous Business Systems", May 14, 2026. [Online]. Available: https://arxiv.org/abs/2605.14259v2
Авторы рассматривают решение RAG-задач в корпоративном контексте, где источником знаний служат системы класса ERP, BPM, SRM и др. Авторы справедливо отмечают, что для интерпретации данных из этих систем необходимы экспертные знания, описывающие корпоративные процедуры, правила и понятия. Решение практических задач, таких как аудит процессов выполнения заказов или анализ причин задержек, требует интеграции множества разнородных и неполных данных, и их приведения к единой концептуальной схеме. Здесь проявляются такие проблемы, как различие в понимании смысла одних и тех же показателей или свойств бизнес-объектов между различными группами бизнес-пользователей, дрифт между смыслом, заложенным в столбцы базы данных разработчиками ИТ-системы, и фактическим их использованием на конкретном предприятии. Все эти семантические разрывы можно закрыть, только опираясь на точное описание смысла каждого типа объектов данных. С особыми сложностями авторы работы столкнулись при работе с n-арными отношениями, так как неструктурированный граф априори предназначен для отражения бинарных связей.
Авторы разработали HEAR (Hypergraph Enterprise Agentic Reasoner) - корпоративную агентную систему, основанную на Stratified Hypergraph Ontology. В этой парадигме n-арные связи отражаются как гипер-рёбра (hyperedges), которые могут быть декларативными или процедурными и описывать, соответственно, состояния или отношения узлов графа, или процессы выполнения рутинных задач.
На наш взгляд, термин "гиперграф" здесь использован избыточно: при конструировании онтологий часто создаются классы, описывающие комплексные связи объектов (реификация), что и названо словом "hyperedge" в контексте данной работы. Однако мы понимаем, что этот термин позволяет отделить общепринятый подход конструирования простого графа в neo4j от способов формального выражения куда более сложных знаний. К сожалению, уровень информированности разработчиков и исследователей о мощности онтологического инструментария и решаемых с его помощью задач моделирования остается недостаточным, и для популяризации идеи применения подобных подходов к моделированию в решении "обычных" бизнес-задач (не связанных с научными исследованиями) использование громких терминов можно считать оправданным.
С технологической точки зрения, авторы не используют OWL-онтологии или готовые OWL-модели, но применяемый ими подход к формализации знаний в определенной степени подобен принципам онтологического моделирования. Также подход авторов близок к нашим разработкам в стремлении формально описывать и делать доступными для LLM элементы структурированных знаний. Авторы описывают в виде графа знаний структуру бизнес-процессов, участвующие в них объектах и их состояния, а также создают мэппинг между определениями этих элементов знания и фактической информацией в бизнес-приложениях, что позволяет LLM эффективно извлекать и анализировать информацию.
2. P. Chaturvedi et al., "SCAIR: Schema-Conditioned Agentic Iterative Reasoning for Enterprise Knowledge Graphs", June 02, 2026. [Online]. Available: https://arxiv.org/abs/2607.22571v1
В этой работе также рассматривается важная прикладная задача - работа с базой данных конфигурации оборудования ИТ-инфраструктуры или промышленных систем, CMDB. Такие базы являются благодатной почвой для использования графовых описаний, поскольку включают множество узлов разных типов, соединенных различными структурными и функциональными связями. Существует ряд готовых онтологий и моделей данных, предоставляющих готовую концептуальную модель для создания CMDB. Задачи, решаемые с использованием таких СУБД, включают анализ зависимостей, поиск причин неисправностей, планирование замены компонентов. Использование LLM в таких задачах требует глубокой и точной интеграции языковой модели со структурированным источником данных. SCAIR внедряет в контекст структурированное описание схемы знаний, обеспечивает обход графа с учетом схемы во время многошагового рассуждения и контролирует распространение сущностей по темам для баланса между исследованием и эксплуатацией во время поиска.
В подходе SCAIR описание схемы знаний используется для ограничения и направления усилий агента по поиску решений. На этапе планирования схема знаний используется для декомпозиции вопроса пользователя в набор подзапросов, ответы на которые необходимо найти. Также формулируются ограничения, которые позволяют избежать заведомо непродуктивных действий агента. Результатом является не жесткий план выполнения запроса, а набор рекомендаций агенту.
На этапе извлечения данных агент находит объекты-кандидаты, фильтрует их с помощью набора ограничений, оценивает релевантность вопросу. Процессс заканчивается, когда найдено достаточно исходных данных для ответа на вопрос, или достигнута предельная глубина поиска в графе. Практическая оценка результатов показывает существенный прирост всех метрик на сложных вопросах, в сравнении с реализациями подхода ReAct (цикл рассуждений и действий, повторяемый до достижения приемлемого результата). SCAIR использует OWL-онтологии и язык SPARQL для доступа к данным.
3. M. Campbell and H. Michaels, "GraphRAG and Knowledge Grounding for Agentic Systems in SAP Environments", [Online]. Available: https://www.scienceopen.com/hosted-document?doi=10.14293/PR2199.004145.v1
В этой работе предлагается фреймворк для решения задач извлечения знаний из данных SAP, состоящий из четырех компонентов: пайплайна конструирования графа, который извлекает факты из структурированных данных, механизма извлечения данных из графа, мультиагентного фреймворка для оркестрации рассуждений, верификации результатов и координации действий агентов, а также модуля непрерывного обучения, который обогащает граф знаний собранной обратной связью. Для хранения графа знаний используется neo4j в сочетании с векторной БД. Структура графа (перечень типов сущностей и связей), насколько можно судить, в основном строится экспертами и архитекторами данных в соответствии с метаданными SAP. Результирующая модель представляется в формате YAML или JSON - формальная OWL-онтология не создается. Формат обзора не позволяет нам описать предложенную авторами архитектуру довольно сложного процесса поиска данных в графе и формулирования ответов на вопросы. Используется многоступенчатый подход, включающий выделение сущностей, формирование релевантных подграфов, работу агентов по формулированию и выполнению запросов, сбору и валидации результата. Важно, что встроенный агент обучения анализирует осмысленность и эффективность запросов, выполняемых субагентами, и формулирует рекомендации по совершенствованию поведения агентов или дополнению графа знаний. В бенчмарках достигнута точность 94.8 в ответах по относительно небольшому графу знаний из 45 тысяч фактов, что значительно превосходит результаты более простых подходов RAG.
4. Dong Guo et al. "ComplianceNLP: Knowledge-Graph-Augmented RAG for Multi-Framework Regulatory Gap Detection", April 26, 2026. [Online]. Available: https://doi.org/10.48550/arXiv.2604.23585
Авторы представляют фреймворк ComplianceNLP, который отслеживает изменения регуляторных документов в банковской сфере, извлекает требования и анализирует несоответствия между регуляциями и внутренними документами банка. Система состоит из трех компонентов: конвейер RAG, основанный на графе знаний нормативной базы, модуль многозадачного извлечения требований, объединяющий NER, деонтическую классификацию и разрешение перекрестных ссылок с помощью энкодера LEGAL-BERT, и анализ требований, который сопоставляет требования с внутренними политиками банка с оценкой степени серьезности их нарушения. Декларируется достижение метрики F1 = 87.7 в задаче определения несоответствий внутренней нормативной базы внешним регуляторным требованиям. Авторы выделяют 4 деонтических модальности (требование, разрешение, запрет, рекомендация), и представляют каждое требование в виде кортежа <сущность, действие, модальность, условия применения, источник>. Рассчитывается метрика семантической близости между внешними регуляторными требованиями и содержимым внутренних политик банка, в результате чего каждая пара элементарных требований получает оценку "соответствует", "частично не соответствует" или "полностью не соответствует". Результатом работы является структурированный отчет о расхождениях. Авторы подробно рассматривают способы повышения производительности решения, поскольку анализ документов является ресурсоемкой задачей. Сравнивается экономическая эффективность предложенного решения в сравнении с ручной обработкой документов: на второй фазе проекта затраты составили 48.2 тыс. USD в месяц против ежемесячного бюджета 45 тыс. USD на ручную обработку, на третьей фазе планируется достичь цифры в 33.2 тыс. USD, на четвертой - 20.2 тыс. USD. Таким образом, на третьей и четвертой фазе будет продемонстрирована экономия 26% и 55% бюджета.
Среди других работ, предлагающих интересные идеи, отметим:
5. Q. Shi et al., "Trust-Aware KG-RAG: a framework for trustworthy question answering for engineering equipment", [Online]. Available: https://www.sciencedirect.com/science/article/pii/S1474034626004933
Предложенный фреймворк встраивает метрики доверия во все этапы извлечения знаний, конструирования графа, формирования контекста и поиска ответов. Сущностям и связям между ними присваиваются веса, характеризующие степень доверия к этим элементам данных. На стадии формирования ответа эти веса учитываются при разрешении противоречий между разными источниками и оценке обоснованности выводов.
Обзорные работы по KG-RAG
Появляются и свежие обзоры технологий KG-RAG.
6. D. Kumar and V. Rana, "Ontology Engineering for Trustworthy AI: A Production-Grounded Survey of Knowledge Graphs in the LLM Era", [Online]. Available: https://www.researchgate.net/profile/Dheeraj-Kumar-151/publication/405935402_Ontology_Engineering_for_Trustworthy_AI_A_Production-Grounded_Survey_of_Knowledge_Graphs_in_the_LLM_Era/links/6a2133f583a9957d732b661a/Ontology-Engineering-for-Trustworthy-AI-A-Production-Grounded-Survey-of-Knowledge-Graphs-in-the-LLM-Era.pdf
Работа дает обзор всех видов технологий, стандартов, распространенных моделей, используемых при реализации KG-RAG на основе онтологий, включая методы автоматизированного конструирования и выравнивания онтологических моделей.
7. Zhou, Dongzhuoran et al. (2026). What Breaks Knowledge Graph based RAG? Benchmarking and Empirical Insights into Reasoning under Incomplete Knowledge. 2522-2538. 10.18653/v1/2026.eacl-long.114.
В данной работе проведен анализ эффективности рассуждения (reasoning) KG-RAG решений. Авторы рассматривают вопросы, для ответов на которые не достаточно извлечь готовый факт из графа знаний, но необходимо достроить отсутствующие факты путем логического рассуждения. Могут ли KG-RAG решения правильно найти в базе знаний необходимые предпосылки, а LLM - сделать из них верный логический вывод? Авторы генерируют тестовый набор данных, из которого искусственно удалены факты, являющиеся логическим следствием из других фактов, содержащихся в графе. Вводится алгоритм расчета метрик успешности работы разных алгоритмов KG-RAG на таком датасете. Проведен анализ того, как авторы различных работ с описанием фреймворков KG-RAG рассчитывали метрики своих решений, и выявлен ряд недостатков в их алгоритмах, или расхождений между текстами статей и реализацией в коде. С помощью унифицированных метрик, предложенных авторами настоящей работы, делается сравнительный анализ эффективности различных KG-RAG на разных наборах данных. Наилучшие результаты показывают подходы RoG (Luo et al., 2024; подход с планированием, где LLM составляет план извлечения данных из графа) и GNN-RAG (Mavromatis and Karypis, 2024; используются графовые нейронные сети для выбора возможных ответов в графе и поиска кратчайших путей к ним). Результаты на полных и неполных датасетах заметно отличаются (в среднем порядка 10% для метрик Hits@Any и F1), что показывает ограниченную эффективность KG-RAG решений в получении логических выводов, которые следуют из содержимого графа знаний. В целом метрики большинства KG-RAG решений оказываются не столь высокими (40-60 для Hits@Any), и только лидирующие решения показывают Hits@Any = 60-90 на отдельных датасетах.
8. Нельзя не отметить выход первой (насколько нам известно) книги, посвященной обзору всего стека технологий, используемых при комбинировании LLM и графов знаний: W. Wei and H. Wu, "Advanced Retrieval-Augmented Generation: Bridging Large Language Models and Knowledge Graphs", ISBN: 978-1-394-37471-7, July 2026, Wiley-IEEE Press
