提升圖形檢索增強生成準確度：MixDemo 框架結合混合專家模型優化問答表現

本研究開發 MixDemo 框架，利用混合專家機制動態選擇示範案例，並透過查詢特定編碼器過濾圖形雜訊，顯著提升大語言模型在複雜文本圖形問答中的推理精準度與效率。

Problem

目前的圖形檢索增強生成（GraphRAG）多集中於零樣本場景，缺乏有效的示範案例選擇機制。此外，檢索到的子圖常包含大量無關資訊，容易干擾大語言模型的推理過程，導致回答準確度下降。

開發名為 MixDemo 的創新框架，引入混合專家（MoE）機制，根據不同的問題語境動態篩選最具資訊量的示範案例。同時，設計一套查詢特定圖形編碼器，能針對特定問題選擇性地處理圖形資料，精準過濾雜訊。

在多個文本圖形基準測試中，MixDemo 展現出優於現有技術的效能。實驗證實，該方法能有效減少無關資訊的干擾，並透過優化示範案例的品質，大幅提升模型在領域特定問答中的推理正確率。

這項研究為 GraphRAG 提供了更精緻的優化方向。透過解決檢索雜訊與示範案例選擇的難題，使大語言模型在處理結構化文本知識時更具強健性，對於金融、醫療等需依賴複雜知識圖譜的應用場景具備高度參考價值。