HippoRAG 2是一种新型检索增强生成（RAG）框架，旨在解决现有RAG系统在模拟人类长期记忆的动态性和关联性方面的局限性。它基于HippoRAG的个性化PageRank算法，通过深度段落整合和更有效的在线LLM使用，显著提升了RAG系统的性能。该框架在事实记忆、感知构建和关联性三个关键维度上进行了评估，并在所有基准类别中超越了其他方法，尤其在关联记忆任务上表现突出。HippoRAG 2通过离线构建开放知识图谱（KG）和在线进行上下文感知的检索，为下游问答任务提供更相关的段落，从而更接近真正的长期记忆系统。

🧠 HippoRAG 2旨在模拟人类长期记忆的动态性和关联性，解决了现有RAG系统的局限性。

💡HippoRAG 2基于个性化PageRank算法，通过深度段落整合和更有效的在线LLM使用，推动RAG系统更接近人类长期记忆的效果，提升了RAG系统的性能。

📚HippoRAG 2框架的核心在于离线索引和在线检索。离线索引阶段，使用LLM从段落中提取三元组并整合到开放知识图谱（KG）中，同时添加同义词边；在线检索阶段，使用嵌入模型将查询与KG中的三元组和段落链接，通过LLM过滤和个性化PageRank算法，为下游问答任务提供最相关的段落。

📊HippoRAG 2在所有基准类别上均超越其他方法，平均F1分数比标准RAG高出7个百分点，特别是在关联记忆任务上表现突出。

2025-02-28 23:53 湖北

超越RAPTOR、GraphRAG、LightRAG、HippoRAG，特别是在关联记忆任务上表现突出。

为解决现有检索增强生成（RAG）系统在模拟人类长期记忆的动态和关联性方面的局限性，一种新型框架HippoRAG 2提出并将开源~

在三个关键维度上评估持续学习能力：事实记忆、感知构建和关联性。HippoRAG 2在所有基准类别中均超越了其他方法（RAPTOR、GraphRAG、LightRAG、HippoRAG），使其更接近真正的长期记忆系统。

HippoRAG 2框架的核心思想：HippoRAG 2基于HippoRAG的个性化PageRank算法，通过深度段落整合和更有效的在线LLM使用，推动RAG系统更接近人类长期记忆的效果。

离线索引：

使用LLM从段落中提取三元组，并将其整合到开放知识图谱（KG）中。

通过嵌入模型检测同义词，并在KG中添加同义词边。

将原始段落与KG结合，形成包含概念和上下文信息的开放KG。

在线检索：

使用嵌入模型将查询与KG中的三元组和段落链接，确定图搜索的种子节点。

通过LLM过滤检索到的三元组，保留相关三元组。

应用个性化PageRank算法进行上下文感知检索，最终为下游问答任务提供最相关的段落。

基线方法：包括经典检索器（BM25、Contriever、GTR）、大型嵌入模型（GTE-Qwen2-7B-Instruct、GritLM-7B、NV-Embed-v2）和结构增强RAG方法（RAPTOR、GraphRAG、LightRAG、HippoRAG）。

评估指标：问答任务使用F1分数，检索任务使用passage recall@5。

性能提升：HippoRAG 2在所有基准类别上均超越其他方法，平均F1分数比标准RAG高出7个百分点，特别是在关联记忆任务上表现突出。

一个HippoRAG 2 pipeline示例

https://github.com/OSU-NLP-Group/HippoRAG From RAG to Memory: Non-Parametric Continual Learning for Large Language Modelshttps://arxiv.org/pdf/2502.14802

推荐阅读

• 动手设计AI Agents：Coze版（编排、记忆、插件、workflow、协作）

• DeepSeek R1 + Agent 的下半场

• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。

阅读原文

跳转微信打开