这次，RAG记忆被微信AI团队的超图盘活了

显示全部楼层

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”

传统 RAG 的痛点	具体表现
单步检索	只能“点到点”找答案，跨章节、跨事件关联无力
工作记忆=简单摘要	用一段流水账 plain text 记录历史，丢细节、丢引用、丢结构
图记忆	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

模块	作用	与传统做法差异
超图存储	用 `hypergraph-db` 实时维护节点 & 超边	不再是 plain text 或二元图
自适应检索	Local Investigation ↔ Global Exploration 切换	先“查周边”再“开新地图”，减少冗余
记忆合并	把多条低阶事实熔成一条高阶关系	二元图做不到 n-ary 融合
子查询生成	LLM 基于当前超图拓扑自动出题	避免人工模板

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！