2026年7月27日，广东省安全智能新技术重点实验室、深圳市计算机学会主办的硕博论坛第十六期“知识赋能智能体”专题学术报告通过腾讯会议顺利举行。本次报告由哈尔滨工业大学（深圳）高翠芸教授主持，特邀法国国家科学研究中心（CNRS）图像计算与信息系统实验室（LIRIS）博士后研究员周盈利作题为《到“记忆-推理”知识赋能的智能体：从“检索-生成”》的学术报告。报告聚焦大语言模型（Large Language Models, LLMs）在实际应用中的知识不足、幻觉问题以及复杂任务推理需求，周盈利博士介绍了智能体知识增强领域的发展趋势，并重点分享了基于图结构的检索增强生成（Graph-based Retrieval-Augmented Generation, Graph-based RAG）相关研究进展。

随着大语言模型能力的不断提升，如何进一步增强模型对外部知识的理解、利用和推理能力，成为当前人工智能领域的重要研究方向。报告指出，智能体系统通常包含规划、执行、知识和工具等关键模块，其中知识模块承担着连接大模型与外部信息环境的重要作用。目前，检索增强生成（Retrieval-Augmented Generation, RAG）和记忆机制是提升智能体知识能力的重要技术路径。通过引入外部知识，RAG能够有效缓解大模型知识更新困难和生成幻觉等问题，为构建更加可靠的智能体系统提供支持。

围绕 Graph-based RAG 技术方向，周盈利博士报告介绍了近年来该领域的相关研究进展。针对传统 RAG 方法在复杂知识关联建模、多跳检索以及大规模知识组织方面存在的不足，报告介绍了 ArchRAG 方法。该方法通过构建基于层级索引的图结构，对知识社区进行分层组织，实现更加高效的知识检索。相比传统检索方式，ArchRAG 能够帮助模型更加准确地定位与问题相关的知识区域，在提升问答效果的同时降低检索过程中的计算开销。

针对 GraphRAG 在实际应用中存在构建成本较高的问题，周盈利博士报告进一步介绍了 ClueRAG 方法。该研究围绕大规模知识图构建过程中的效率问题，提出了一种轻量化的构图策略。通过结合语义相似性分析与轻量级自然语言处理方法，仅对关键知识片段进行深度处理，在保证检索效果的同时降低了对大模型调用的依赖，为高效构建知识增强系统提供了新的思路。

此外，周盈利博士报告还介绍了面向长文档场景的 BookRAG 研究工作。针对书籍、技术文档等复杂文档中存在的层次结构和跨章节知识关联问题，BookRAG 提出了“树-图”融合的索引框架。其中，树结构用于保留文档原有的章节组织关系，知识图谱则用于捕获不同内容之间的关联信息。在此基础上，结合智能体自主规划的检索策略，使系统能够根据问题复杂程度选择更加合理的检索路径，从而提升复杂文档问答任务的处理能力。

报告结束后，参会师生围绕 Graph-based RAG 的知识表示方式、智能体检索策略、大规模知识库构建效率以及未来智能体应用场景等问题展开了深入交流。现场讨论气氛热烈，报告内容为师生进一步了解大模型知识增强技术的发展趋势和相关研究方向提供了有益参考。

本次硕博论坛进一步拓展了师生对智能体知识增强技术的认识。随着大模型、知识表示、检索技术以及智能体自主规划能力的不断发展，Graph-based RAG 等知识增强方法将在构建更加可靠、高效的智能系统中发挥重要作用。

嘉宾介绍

周盈利博士现为法国国家科学研究中心（CNRS）图像计算与信息系统实验室（CNRS）博士后研究员，合作导师为Angela Bonifati教授（欧洲科学院院士、ACMFellow）。他于香港中文大学（深圳）获博士学位，主要研究方向包括大数据管理、数据挖掘以及大语言模型与数据系统。迄今，他已在SIGMOD、PVLDB等国际顶级会议和期刊发表论文40余篇，其中第一作者13篇。其代表性成果Graph-based RAG系统在GitHub上已获得超过1,500颗星，并已应用于华为、字节跳动等企业的内部业务。

初审|高翠芸

复审|漆舒汉

终审|王   轩