推荐语
微信AI团队用超图技术突破RAG记忆瓶颈，让AI真正理解复杂关系！
核心内容：
1. 传统RAG在长文本推理中的痛点分析
2. HGMEM超图记忆系统的创新架构与三大核心模块
3. 在四大基准测试中实现性能与成本的双突破
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
https://github.com/Encyclomen/HGMem
Improving Multi-Step RAG with Hypergraph-Based Memory for Long-Context Complex Relational Modeling
https://arxiv.org/pdf/2512.23959
港中大 & WeChat AI 联合团队
RAG双重暴击:“超长+全局推理”
| |
|---|
| |
| 用一段流水账 plain text 记录历史，丢细节、丢引用、丢结构 |
| 最多二元关系（A→B），无法表达“三元及以上”高阶关联 |
结果：在 100k+ token 的金融/法律/小说类文档里，一旦问题需要“全局 sense-making”（例如“为什么 Xodar 被送给 Carter 当奴隶？”），现有方法就像拼图只拼边缘，中间永远缺一块。
HGMEM——把“记忆”升级成“超图”
图1：左侧为第 t 步交互流程；右侧为超图记忆的演化示意
2.1 核心思想
把“工作记忆”不再当成一块硬盘，而是一张可动态生长、可高阶连接的超图：
- 每个超边（hyperedge）= 一个“记忆点”，可一次性连接 ≥2 个实体
- 支持三种原子操作：Update ∣ Insert ∣ Merge
- 每一步先“自我检查”→ 决定局部深挖 or 全局探索 → 检索 → 用 LLM 把新证据合并成更高阶的超边
2.2 关键模块一览
| | |
|---|
| 用 hypergraph-db 实时维护节点 & 超边 | |
| Local Investigation ↔ Global Exploration 切换 | |
| | |
| | |
图2：Cowslip Moth 案例中，三条低阶事实被合并成一条“昆虫-植物共生”高阶关系
实验：成绩与成本双赢
3.1 主要结果
在 4 个超长文档基准（NarrativeQA / NoCha / Prelude / LongBench-V2）上，同样用 GPT-4o 或 Qwen-32B 做 backbone，HGMEM 全线 SOTA：
表1：↑ 表示合并操作带来的高阶关联对“sense-making”类问题尤为关键
3.2 成本对比
与同样带工作记忆的 DeepRAG / ComoRAG 相比，HGMEM 平均 token 消耗与延迟几乎持平，并未因“超图”而额外增负：
表5：合并操作仅增加 <7% token，却带来显著精度提升
一句话总结
HGMEM 把“记忆”从静态硬盘升级成动态超图，让大模型在超长文本里像侦探一样层层抽丝、合并线索、全局破案，而且不增成本——多步 RAG 的“记忆”就该这么玩！
粤ICP备14082021号
免费POC，
零成本试错
