ComoRAG：基于认知启发的记忆组织式检索增强生成

长篇故事和小说的叙事理解因其复杂的情节线索和错综复杂、常随时间演化的角色和实体之间的关系而具有挑战性。鉴于大语言模型在扩展上下文上的推理能力下降及其高计算成本，检索方法在实际应用中仍扮演关键角色。然而，传统的RAG方法可能不足，因为其无状态、单步检索过程常忽略捕获长程上下文中相互关联关系的动态本质。在本工作中，我们提出了ComoRAG，认为叙事推理并非单次过程，而是新证据获取与过去知识整合之间动态、演化性的相互作用，类似于人类大脑在处理与记忆相关信号时进行的推理。具体而言，当遇到推理停滞时，ComoRAG会进行迭代推理循环，同时与动态记忆工作区交互。在每个循环中，它生成探针查询以构思新的探索路径，然后将检索到的新证据整合到全局记忆池中，从而支持为查询解决生成连贯的上下文。在四个具有挑战性的长上下文叙事基准（20万+ token）上，ComoRAG相对于强大的RAG基线实现了持续的相对提升，最强基线的结果提升幅度可达11%。进一步分析表明，ComoRAG特别适合需要全局上下文理解的复杂查询，提供了一个以认知启发为原则的检索基于状态推理范式。我们的框架已公开发布于https://github.com/EternityJune25/ComoRAG。