https://github.com/Encyclomen/HGMemImproving 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

一、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。

二、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 记忆演化案例

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

三、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 在线开销对比

表5：合并操作仅增加 <7% token，却带来显著精度提升

四、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！

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】