El marco de Generación con Recuperación Aumentada (RAG) mejora los Modelos de Lenguaje Grandes (LLMs) al recuperar conocimiento relevante para ampliar sus límites de conocimiento y mitigar alucinaciones factuales derivadas de lagunas de conocimiento. Sin embargo, el marco de RAG enfrenta desafíos en la recuperación y utilización efectiva del conocimiento; el conocimiento inválido o mal utilizado interferirá con la generación de LLM, reduciendo la eficiencia del razonamiento y la calidad de las respuestas. Los métodos de RAG existentes abordan estos problemas descomponiendo y expandiendo consultas, introduciendo estructuras de conocimiento especiales y utilizando evaluación y retroalimentación del proceso de razonamiento. Sin embargo, las estructuras de razonamiento lineales limitan las transformaciones de pensamiento complejas y el razonamiento basado en consultas intrincadas. Además, la recuperación y utilización de conocimiento están desacopladas del razonamiento y la generación de respuestas, obstaculizando el soporte efectivo del conocimiento durante la generación de respuestas. Para abordar estas limitaciones, proponemos el marco CRP-RAG, que emplea gráficos de razonamiento para modelar procesos de razonamiento de consultas complejas de manera más completa y precisa. CRP-RAG guía la recuperación, agregación y evaluación de conocimiento a través de gráficos de razonamiento, ajustando dinámicamente el camino de razonamiento en función de los resultados de la evaluación y seleccionando caminos de suficiencia de conocimiento para la generación de respuestas. CRP-RAG supera a los mejores LLM y líneas de base de RAG en 2.46 en preguntas y respuestas de dominio abierto, 7.43 en razonamiento multi-paso y 4.2 en verificación factual. Los experimentos también muestran la consistencia factual superior y la robustez de CRP-RAG sobre los métodos de RAG existentes. Los análisis extensos confirman su razonamiento preciso y fiel a los hechos y la generación de respuestas para consultas complejas.