论文解读｜HKVM-RAG：用超图证据组织提升多跳 RAG 11 个 F1

本周 arXiv 2606.07218 提出 HKVM-RAG，一个键值分离的超图证据组织层，专门解决多跳 RAG 中”检索到了段但组织不出答案链”的痛点。

问题：多跳 RAG 的证据组织

多跳问答（如「某公司的 CEO 的妻子创办了什么公司？」）需要跨多个文档联合推理。当前 RAG：

• 密集检索：每段独立打分，看段不看链
• 图记忆：实体/关系图谱，碎片化多跳证据

HKVM-RAG 的设计

把”证据组织”从”段落匹配”中分离出来：

• Key（检索键）：从缓存的 passage-level LLM evidence tuples 组合成答案路径超边
• Value（答案值）：保留原始 passage 文本

这样检索时匹配”答案链模式”，生成时用”原文文本”。

关键实验数据

• 2WikiMultiHopQA：+3.426 F1（vs KG-PPR）
• MuSiQue：+3.592 F1
• 叠加 ColBERTv2：2WikiMHQA +11.084，HotpotQA +6.763，MuSiQue +5.966 F1

对企业 RAG 团队的启示

如果你的 RAG 系统在做多跳问答（金融尽调、法律研究、医疗诊断支持），HKVM-RAG 的超图组织层是即插即用的升级：

1. 不改现有 dense retriever
2. 加一个 evidence organization 层
3. 读者模型不变
4. 显著提升复杂问题的 F1

论文：arXiv:2606.07218（已投 ICDE 2027）