ComoRAG

ComoRAG是什么？

ComoRAG是一个受认知启发的记忆组织型检索增强生成（RAG）系统，专为长文档与多文档任务设计，支持问答、信息提取和知识图谱构建。它集成多种大型语言模型（LLM）、嵌入模型、图增强推理与多维评估工具，通过动态记忆工作区与迭代推理循环，实现对复杂长篇叙事的全局理解与精准回答。在超长上下文（20万+ Token）基准测试中表现优异，适用于学术研究与实际应用场景。

核心特点

1. 长篇叙事理解与推理：能处理几十万 Token 的长文本，保持对全局情节、人物关系的持续理解

2. 动态记忆工作空间：模拟人类大脑记忆机制，将新检索到的证据与已有知识不断整合
3. 迭代推理循环：当推理遇到瓶颈时，会自动生成探查性问题，检索新证据，再融合到记忆中，直到找到答案
4. 多层次知识索引

• 事实层（Veridical Layer）：原文片段，确保基于事实
• 语义层（Semantic Layer）：主题与概念结构
• 情节层（Episodic Layer）：叙事流程与情节发展

5. 多任务支持：除了问答，还可做信息抽取、知识图谱构建、复杂信息整合等

适用场景

• 长篇叙事理解：如小说、剧本、历史档案的全局推理
• 多文档问答：跨文件检索与整合信息
• 知识图谱构建：从长文本中抽取实体与关系
• 复杂信息抽取：法律、科研、技术文档分析
• 教育与研究：长篇阅读理解、批判性思维训练 

ComoRAG项目地址

GitHub仓库：https://github.com/EternityJune25/ComoRAG
arXiv技术论文：https://arxiv.org/pdf/2508.10419