基于超图记忆的多步RAG改进方法用于长上下文复杂关系建模

多步检索增强生成（RAG）广泛用于提升大语言模型在需全局理解与深度推理任务中的表现。现有RAG系统虽引入工作记忆模块整合检索信息，但其记忆设计多为被动存储，仅累积孤立事实，忽视高阶关联，导致推理碎片化与全局理解能力弱。本文提出HGMem——一种基于超图的记忆机制，将记忆从静态存储拓展为支持复杂推理的动态表达结构。该机制以超图表示记忆，超边对应记忆单元，逐步构建高阶交互，围绕核心问题融合事实与思考，形成情境化知识结构，为后续推理提供强命题支持。在多个全局理解基准上的实验表明，HGMem显著优于强基线系统。