文章总结： 该文档系统综述了Graph4LLM图增强大语言模型的最新研究进展，从LLM全流水线视角梳理了输入、模型、输出三阶段的图增强技术框架，涵盖知识图谱提示、多模型协同、结构化推理等核心方法，并扩展了自然语言处理、医疗、金融等垂直领域应用场景。文章深入分析了当前技术瓶颈与未来方向，配套开源资源为研究者提供结构化参考。 综合评分： 92 文章分类： AI安全,技术标准,解决方案,安全工具,安全开发
重磅更新｜Graph4LLM：图增强大语言模型 全维度升级全景综述
原创
朱馨妍 朱馨妍
北邮 GAMMA Lab
2026年5月12日 13:48 北京
在小说阅读器读本章
去阅读
此前，北京邮电大学 GAMMA Lab 团队推出Graph4LLM 系统性综述，首次从大语言模型（LLM）全流水线视角梳理了图增强 LLM 的研究框架，为该领域研究者提供了系统的入门参考，并被IJCAI 2026 Survey Track收录。
近期，团队对该综述进行了全面更新与扩充。新版在原有框架基础上补充了大量前沿文献，进一步拓展了应用场景，并对当前技术瓶颈与未来方向进行了更深入的剖析，旨在为图增强 LLM 的研究与实践提供一份更详实、更具参考价值的文献指南。
- 论文标题：Are Graphs Useful for LLMs? A Comprehensive Survey of Graph-Enhanced Large Language Models
- 论文作者：Xinyan Zhu, Cheng Yang, Qiuyu Wang, Zeyuan Guo, Zedi Liu, Yiding Wang, Jiawei Liu, Chunchen Wang, Muhan Zhang, Chuan Shi
- 论文链接：http://shichuan.org/doc/225.pdf
- 仓库链接: https://github.com/BUPT-GAMMA/Awesome-Graph4LLM
一、加长版核心升级
本次更新并非单纯的文献扩充，而是在原有理论框架基础上，结合近期研究进展与实践需求进行的系统性完善：
- 文献收录显著扩充：新增收录 2024–2026 年间发表于顶级会议与期刊的代表性工作，综述整体规模相应扩大。其中，arXiv 预印本占比由原版的 20/64（32.8%）降至 3/208（1.4%）。
- 应用场景梳理更为系统：在原有基础方法论之上，新增对图增强 LLM 全场景应用的分类梳理。内容涵盖自然语言处理、代码生成、表格理解等通用任务，并进一步延伸至电商、医疗、教育、金融、法律及电子设计自动化（EDA）等垂直领域的实践探索。
- 技术挑战与未来方向深入剖析：在方法论归纳之外，重点探讨当前研究面临的核心瓶颈，系统分析图结构构建、计算复杂度优化、缩放律（Scaling Laws）适配及模型自进化机制等关键问题，并对未来研究趋势作出展望。
- 配套开源资源同步完善：团队新增维护 Awesome-Graph4LLM 开源资源清单，系统整理相关论文、基准代码与开发工具，旨在为社区研究者提供结构化的参考索引，降低跟进前沿工作的门槛。
二、LLM流水线的图式重构
LLM运行遵循输入→模型→输出的特定流水线，该流水线构建了从输入到输出的信息流：
图1：LLM流水线
- 在输入阶段，需引入任务说明与外部知识，常用方式包括少样本提示、检索增强生成（RAG）或向模型输入精心整理的训练数据，这些方法能规范原始信息向LLM的呈现形式。
- 进入模型阶段，LLM将聚焦于输入信息的处理。基于 Transformer 的架构通过注意力机制和前馈网络对信息进行序列式处理，还可通过多智能体系统进一步扩展，实现多个模型间的协作。
- 最后在输出阶段，LLM生成特定任务的响应，包括问答结果、可执行代码或决策支持产物等，成为模型预测与下游应用之间的接口。
尽管表现出色，但LLM存在固有的局限性，这主要源于其对线性token序列的依赖。这类序列模型难以捕捉复杂的关系结构、长距离依赖和多跳交互，而这些对于许多知识密集型任务至关重要。此外，推理与规划过程通常隐式编码在潜在表示中，导致中间状态难以被系统地解释、控制或验证。LLM还容易出现事实不一致和幻觉问题，尤其是在任务需要精确的关系推理或可靠的知识锚定时。这些挑战凸显了以序列为中心的模型在需要显式结构、透明度和鲁棒性的任务中存在不足。
为解决LLM建模过程中的这些问题，图结构与图神经网络提供了互补性的解决方案。它们通过显式编码关系和依赖关系，支持多跳推理并捕捉非线性结构。此外，图结构还能提供透明、结构化的中间状态，提升模型的可解释性与可验证性。通过整合外部知识图谱（KGs），图结构还能增强模型的事实锚定能力，减少幻觉现象，提升整体可靠性。
借助图在解决LLM局限性方面的潜力，图增强LLM（本文称之为 Graph4LLM）利用关系结构更高效地处理复杂的互联数据。因此，越来越多的研究开始探索各Graph4LLM方法。尽管发展迅速，但Graph4LLM的研究在不同领域和应用中仍较为分散。现有综述往往聚焦于狭窄的子主题（如基于图的RAG或多智能体系统），缺乏对图如何贯穿LLM全流水线交互的统一视角。
图2：Graph4LLM分类
相比之下，本文首次提供了针对 Graph4LLM 的系统性、流水线导向的综述。具体而言，我们根据LLM流水线的三个阶段（图2）对现有研究进行分类，各个阶段代表性的研究内容如下所述。
三、输入阶段
图3：Graph4LLM在输入阶段的不同框架
在输入阶段（Input Phase），图将复杂分散的信息转化为结构化提示，使关键实体和关系能清晰地呈现给LLM，主要分为三大类：
- 来自知识图谱的提示（Prompt from Knowledge Graph）：借助已有知识图谱，通过指令微调或图检索增强生成，为LLM提供可靠结构化知识支持；
- 来自语料级图的提示（Prompt from Corpus-Level Graph）：从文本语料中构建全局图索引，帮助LLM高效定位关联文本，整合全局上下文；
- 来自实例级图的提示（Prompt from Instance-Level Graph）：针对特定输入实例动态构建图结构，将单个复杂任务转化为结构化表示，适配具体推理需求。
四、模型阶段
图4：Graph4LLM在模型阶段的不同框架
在模型阶段，图可塑造单个模型的内部处理过程，或组织多个模型间的交互，实现可控的信息流与任务协同，主要分为两大范式：
- 单模型融合（Single Model）：通过外部图适配器（给LLM外接一个图处理模块）或内部模型融合（将图嵌入LLM内部），让模型原生支持结构信息处理；
- 多模型协同（Multiple Models）：以静态拓扑（预定义固定协作图）或动态拓扑（自适应调整协作图），规范多智能体间的通信与任务依赖。
五、输出阶段
图5：Graph4LLM在输出阶段的不同框架
在输出阶段，图将LLM的响应重组为结构化表示，使中间步骤和依赖关系易于检查和验证，分为三类方向：
- 推理（Reasoning）：用图组织中间推理状态，通过节点总结（聚合信息到核心节点）或路径探索（沿候选路径遍历信息），提升输出的清晰度与可解释性；
- 规划（Planning）：用图拆解多步任务、管理目标依赖，支持复杂任务的分解、执行与反馈修正；
- 评估（Evaluation）：将LLM输出构建成图，采用特定的指标进行事实性评估或逻辑性评估，量化输出质量。
六、Graph4LLM 应用
图6：Graph4LLM应用分类
6.1 通用应用
- 经典自然语言处理：词级任务（词义消歧、词法分析）、句子级任务（分类、相似度、蕴含）、序列标注（命名实体识别、词性标注）、信息抽取（实体 / 关系 / 事件抽取）、文本生成（摘要、数据转文本、问答）。
- 代码：函数级任务（代码摘要、补全、缺陷检测）、仓库级任务（跨文件 / 模块依赖推理、代码库分析、维护）。
- 表格：表格理解与表示、表格问答与跨表推理、结构化表格数据生成。
6.2 领域专用应用
- 电商：基于用户 – 物品交互图的协同推荐、知识图谱驱动的可解释推荐。
- 医疗：医疗知识图谱问答、分子图辅助药物研发、临床诊断与健康监测。
- 教育：课程知识图谱答疑、个性化学习路径规划、认知建模与学情分析。
- 金融：市场事件传导分析、金融文档智能问答、风险评估与金融产品推荐。
- 法律：法律知识图谱咨询、判决预测、法条推荐与判例分析。
- 电子设计自动化（EDA）：电路拓扑建模与性能预测、硬件代码生成、电路设计优化。
本文的其余部分结构如下：
- 第 2 章介绍 Graph4LLM 相关预备知识，涵盖图与大语言模型的核心技术及 Graph4LLM 总体概述
- 第 3 章梳理输入阶段的多粒度提示构建与知识整合技术
- 第 4 章解析模型阶段的单模型与多模型图增强系统
- 第 5 章聚焦输出阶段的图结构推理、规划与评估技术
- 第 6 章综述 Graph4LLM 的代表性应用场景
- 第 7 章探讨当前研究面临的开放挑战与未来研究方向
以上就是Graph4LLM加长版论文的介绍。欢迎感兴趣的读者阅读原文~
—— END ——
北邮 GAMMA LAB 公众号
主编：石川
责任编辑：杨成
本期编辑：赵明宇
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：北邮 GAMMA Lab 朱馨妍 朱馨妍《重磅更新｜Graph4LLM：图增强大语言模型 全维度升级全景综述》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论