Noesis：具有自适应并行性和跨知识库语义发现的双向图 RAG

知识图检索增强生成（Graph-RAG）已成为将 大语言模型 扎根于特定领域语料库的强大范例。然而，现有系统面临着持续的局限性：（1）静态分块会分割长文档，丢失横截面语义连接； (2) 摄取管道不能自适应扩展； (3) 多域部署需要降低检索精度的整体知识库或手动用户路由。我们提出了 Noesis，一种解耦的 Graph-RAG 架构，通过四种算法解决了这些限制：（a）使用图反馈上下文解析器进行双向图遍历，模拟人类阅读并降低记忆力； (b) AIMD 并发控制器改编自 TCP 拥塞控制，在零 OOM 事件的情况下实现 23 倍加速； (c) Moesis，MoE 模型的领域感知选择性量化，在 12 GB 消费级 GPU 上实现 6.3 倍加速； (d) 具有运行时结构发现功能的网状跨知识库语义路由，使小型本地模型能够执行多跳跨域推理。在 HotpotQA（1,000 个问题）上，Noesis 达到了 59.5 EM / 74.7 F1，超过 GraphRAG +27.8 EM，同时使用 35B 本地模型而不是 GPT-4o 进行图构建。对 193 页文档的源文本验证证实，对于独立于块的提取无法访问的远程因果边缘，精度为 90%。