MemGraphRAG：基于内存的多代理系统，用于图检索增强生成

检索增强生成（RAG）已成为利用外部知识减轻 大语言模型（LLM）幻觉的重要方法。虽然传统 RAG 对于简单查询非常有效，但它难以处理信息高度分散的大规模、非结构化语料库。基于图的RAG（GraphRAG）结合知识图来捕获结构关系，从而能够更全面地检索复杂的推理。然而，现有的 GraphRAG 方法依赖于孤立的片段级提取来构建图，缺乏对整个语料库的全局视角。因此，这些方法经常导致主题不一致、逻辑冲突和结构碎片化的图表，从而降低检索性能。在本文中，我们提出了 MemGraphRAG，这是一种新颖的框架，引入了基于内存的多代理系统以确保高质量的图构建。具体来说，MemGraphRAG 采用由共享内存支持的代理协作社会，在整个提取过程中提供统一的全局上下文。这种机制允许代理动态解决逻辑冲突并维持整个语料库的结构连接性。此外，我们提出了一种针对构建的图量身定制的记忆感知分层检索算法。对多个基准的大量实验表明，MemGraphRAG 的性能优于最先进的基线模型，且效率相当。我们的代码可在 https://github.com/XMUDeepLIT/MemGraphRAG 获取。