中国农业大学信电学院谢淼团队在检索增强生成系统研究方面取得新进展

信息与电气工程学院青年研究员谢淼团队论文《MC-RAG System: A Structure-Driven RAG System for Multi-Constraint Queries》被人工智能领域顶级会议 IJCAI 2026接收。

International Joint Conference on Artificial Intelligence（IJCAI），是人工智能领域历史悠久、影响广泛的国际学术会议，自1969年创办以来，一直是全球人工智能研究人员和实践者交流前沿成果的重要平台。IJCAI-ECAI 20262026年8月15日至21日在德国不来梅举行。

当前大语言模型在面对包含多个条件约束的复杂事实性问题时，容易出现约束遗漏、事实不一致或幻觉等问题。现有检索增强生成系统通常依赖文本块与问题之间的语义相似度进行检索，能够为简单事实问答提供支持，但在需要同时满足多个条件的场景中，往往难以保证检索证据完整覆盖用户问题中的全部约束。针对这一挑战，谢淼团队提出 MC-RAG 系统，将多约束查询建模为知识图谱上的子图匹配问题，以结构化证据支撑答案生成。

MC-RAG 系统架构图

MC-RAG 的核心思想是将传统基于相似度排序的检索过程，转化为面向约束满足的结构化匹配过程。MC-RAG 系统构建了完整的可视化交互界面，包含知识图谱构建、知识图谱展示和交互式问答三个功能模块。在知识图谱构建模块中，用户可以上传 PDF、DOCX、TXT 等原始知识文档，系统自动抽取实体与关系并构建知识图谱，同时实时展示处理进度；在知识图谱展示模块中，用户可以查看图谱整体拓扑结构、实体类型分布以及节点和边的连接情况，并通过筛选、缩放、拖拽等方式检查图谱质量；在交互式问答模块中，用户可以输入医学或百科类多约束问题，并实时观察系统如何抽取约束、构建查询图、匹配候选子图以及生成最终答案。

MC-RAG 交互式系统界面图

该系统的突出特点在于将 RAG 从“结果输出”进一步拓展为“过程可观察、证据可验证”的交互式知识服务流程。用户不仅能够获得最终答案，还可以直观看到答案背后的查询图、匹配子图、约束验证结果和推理链条，从而判断系统是否真正满足问题中的每一项条件。论文中的系统界面示例展示了查询图与匹配子图可视化、约束验证过程以及最终答案和推理链条呈现，体现了 MC-RAG 在复杂多约束问答场景中的交互性、可解释性和系统实用价值。

该论文第一作者为信电学院2024级博士研究生张潇和2025级硕士研究生万阳，通讯作者为信电学院谢淼研究员和吕春利教授。

该研究得到了农业农村部农业信息化标准化重点实验室、中国农业大学“青年研究员”启动基金项目（No. QNYJY2024144）和国家留学基金管理委员会访问学者项目（CSC）（No. 202506350123）的支持。

CAU-X Lab 实验室由中国农业大学信息与电气工程学院青年研究员谢淼创立，“X”寓意 Xtraordinary（卓越） 与 Xploration（探索），聚焦 AI技术创新及其算法在营养健康、动物医学等垂直领域的创新应用。实验室致力于开展“顶天立地”的科研，让前沿人工智能技术真正服务产业与生活，让更多人切实感受到农大科技带来的改变。

Demo 视频链接：https://youtu.be/J8kahzmAnu0

论文链接：https://arxiv.org/pdf/2607.10151