理解然后记忆：一种基于认知主旨驱动的具有全局语义扩散的RAG框架

检索增强生成（RAG）通过引入外部知识有效缓解了大语言模型（LLM）中的幻觉问题。然而，现有框架中文本的离散表示常导致语义完整性丢失，从而引发检索偏差。受人类情景记忆机制启发，本文提出CogitoRAG框架，模拟人类认知记忆过程。该框架的核心在于语义主旨的提取与演化。在离线索引阶段，CogitoRAG首先将非结构化语料库转化为主旨记忆语料库，并将其转换为融合实体、关系事实和记忆节点的多维知识图谱。在线检索阶段，框架通过查询分解模块将复杂查询拆解为多个子查询，模仿人类对复杂信息的认知分解过程。随后，实体扩散模块通过结构相关性和实体频率奖励机制进行关联检索。此外，本文提出CogniRank算法，通过融合扩散得分与语义相似度对候选段落进行精确重排序。最终证据以段落-记忆配对形式传递给生成器，提供高密度的信息支持。实验结果表明，CogitoRAG在五个主流问答基准测试和GraphBench的多任务生成任务中显著优于最先进的RAG方法，展示了其在复杂知识整合和推理方面的卓越能力。