在新兴科研领域，局部小语言模型（SLM）因具备更强的隐私控制和更稳定的部署流程而受到关注。然而，使用 SLM 进行科学问答时常受限于文献规模小、证据碎片化、上下文窗口和推理能力受限等因素。为此我们提出了证据驱动的类型化知识图谱（EGT‑KG）检索框架，旨在提升本地 SLM 的信息检索效果。我们设计了三种问答流程：传统的检索增强生成（RAG）工作流，以及基于自动生成关系模式（AS）和专家定义关系模式（ES）的 EGT‑KG 工作流。实验在 Biopolymer‑bound Soil Composite 文献基准上进行，采用六维评估体系 S3CRF（Soundness、Correctness、Completeness、Conciseness、Relevance、Fluency）进行打分。结果显示，EGT‑KG 在大多数设置下均优于 vanilla RAG，尤其在 llama3:8b 模型上，AS 与 ES 变体分别提升至 70.37（+14.67%）和 68.82（+12.14%）的最终得分。
点评