检索增强生成（RAG）通过外部知识库降低大语言模型（LLM）的幻觉，但传统的稠密检索在多跳问答中难以捕获复杂的推理路径。基于图的 RAG 能表达多步关系，却因全局图遍历产生严重的语义漂移和高在线延迟。为此我们提出 ISO‑RAG（等周检索增强生成），它在几何上对知识图进行约束。具体做法是将知识图映射到双曲 Poincaré 球，并预计算每个节点的等周剖面（isoperimetric profile），在检索时剪除噪声边，仅保留局部子图。该拓扑净化直接调节 Personalized PageRank（PPR）扩散，使检索过程在严格限定的子图内快速收敛，既保证精确性又显著降低延迟。实验在多个多跳 QA 基准上显示，ISO‑RAG 在检索召回上提升约 10.0%，下游 Exact Match 提升 4.3%，实现了准确性与效率的最佳平衡，根本消除了全局遍历的瓶颈。代码已开源：https://github.com/ZaiizaiZHANG/ISO-RAG。
点评