HippoRAG 是如何工作的？

1. 整体工作机制

HippoRAG 采用"离线索引 + 在线检索"两阶段流水线。离线阶段，系统用大语言模型从语料中抽取开放信息三元组，构建无模式约束的知识图谱，并借助检索编码器为节点补充语义关联；在线阶段，系统从问题中提取实体，以这些实体为起点在知识图谱上运行个性化 PageRank 算法传播概率，一次性定位关联性最强的子图与文档，实现单步多跳检索。

2. 类脑的三层分工

HippoRAG 将人脑记忆系统的三类结构映射到检索流程中：

• 新皮层（Neocortex）：对应大语言模型，负责理解语言、抽取实体与关系，将非结构化文本转化为结构化知识
• 海马旁回（Parahippocampal Regions）：对应检索编码器，负责为知识图谱节点生成向量表示，添加同义词边以关联语义相近的概念
• 海马体（Hippocampus）：对应以知识图谱为载体的个性化 PageRank 索引，负责以问题实体为起点传播概率，单步关联跨文档信息

3. 单步完成多跳检索的意义

传统向量 RAG 对每篇文档独立编码，难以关联分散在不同文档中的信息；而 IRCoT 等多步检索方法虽能迭代整合，却需每步调用大模型，过程缓慢且成本高昂。HippoRAG 通过图结构的一次性概率传播完成多跳关联，在保持甚至提升准确率的同时，大幅降低在线检索的成本与延迟。