You Don’t Need Pre-built Graphs for RAG:Retrieval Augmented Generation with Adaptive Reasoning Structures

论文信息

Title：You Don’t Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures

Source：AAAI 2026

LLM在处理超出参数知识问题时，常常会产生幻觉，产生事实上不正确的陈述。RAG 通过从语料库中检索查询相关上下文来支持LLM推理，从而解决了这一问题。

但是，传统 RAG 在简单问答中效果不错，但在复杂问答、多跳推理任务中会遇到明显困难：

1、相关信息分散在多个文档中

2、不是一次检索就能拿到完整证据

3、不同证据之间存在逻辑依赖，不能简单拼接

2024年，微软提出了GraphRAG：先把整个语料库构造成图，再在图上进行检索和推理

这种基于图的检索方式在复杂任务中表现出显著的性能。

现有GraphRAG方法的不足

1、离线建图代价高：需要提前处理整个知识库，消耗大量时间和 token。

2、图质量不稳定：自动建图可能引入错误边、冗余连接，影响后续检索。

3、静态图不够灵活：知识库图是预先建好的，但真实问题的推理路径是动态的，静态图未必适配当前问题。

论文提出了一种逻辑感知的检索增强生成框架（LogicRAG），该框架在推理时动态提取推理结构，无需预先构建图即可指导自适应检索。

1、分析了现有GraphRAG局限性，提出了一种在推理时动态提取推理结构的新框架LogicRAG，用于指导自适应检索。

2、用有向无环图对查询逻辑依赖关系进行建模，提供了一种有原则的、通用的推理结构建模方法。

3、使用拓扑排序将图推理线性化、引入上下文总结摘要和图剪枝来实现高效的推理。（关键机制）

logicRAG框架图

1、问题分解：给定复杂问题 Q，先用 LLM 将其拆成若干子问题

2、构建查询逻辑依赖图：把每个子问题作为图中的一个节点，由 LLM 判断依赖关系，构建一个有向无环图

3、拓扑排序：将图推理线性化，得到一个合理的求解顺序

4、检索与求解：用“当前子问题 + 已有父节点答案”进行检索；根据检索结果回答当前子问题。（上下文摘要总结和图剪枝）

Rolling Memory滚动记忆：Mem(i)=Summarize(Mem(i−1)∪R(p(i)))

取旧记忆，加上当前检索结果，用 LLM 做一次摘要融合，得到新的记忆

图剪枝：同一拓扑排序的子问题有时可以合并。合并成统一查询，得到共享上下文再分别解答子问题

5、自我反思与动态扩展：如果系统发现当前图还不够完整、信息还不足，就触发反思，新增子问题，补充依赖边，继续推理

1、三个数据集：HotpotQA、2WikiMQA、MuSiQue

2、对比实验结果

result

LogicRAG 整体优于 Vanilla RAG，也优于多种 GraphRAG 基线

3、效率与成本分析

图5：不同类型的问题上的准确率和数据分布结果

图6：top-k 检索对准确率和token成本的影响

检索更多，效果会提升，但提升效果逐渐变小，token成本也会提升的快

4、时间效率结果

平均时间：9.83 平均token：1777.9

时间不是最优，但是 token 成本控制较好

5、图剪枝的有效性验证

加入图剪枝之后，各类问题的平均检索轮数都下降了。说明图剪枝确实减少了冗余子问题带来的重复检索。

LogicRAG 把 GraphRAG 从知识库层面转移到问题推理层面。通过动态构建子问题依赖图，让检索和推理按逻辑顺序展开，同时通过上下文摘要总结和图剪枝控制成本。相比传统静态 GraphRAG，它更灵活、更贴合复杂问答。