OSU-NLP-Group/HippoRAG

What it solves

HippoRAG 2 是为了克服标准检索增强生成（RAG） systems 系统的限制，特别是提升其处理多跳检索（关联性）与整合大型且复杂上下文（语义理解）的能力。其目标是为 LLM 提供一种非参数化的持续学习能力，以模拟人类的长期记忆。

How it works

HippoRAG 2 实现了一个能识别并利用新知识中连接关系的记忆框架。它使用离线索引过程来从文档中构建知识图谱，这比其他基于图谱的 RAG 解决方案更高效。在在线过程中，它通过遵循这些连接来检索信息，以提高复杂查询的准确性。

Who it’s for

该项目是为开发者和研究人员设计的，他们正在构建先进的 RAG 系统，需要其 LLM 在复杂、多步骤推理任务中表现更好，并在不牺牲简单事实查询性能的同时，整合大量信息。

Highlights

• Improved Associativity: 提升了与标准 RAG 相比的多跳检索能力。
• Sense-Making: 更好的大型且复杂上下文整合。
• Resource Efficiency: 使用比 GraphRAG 或 RAPTOR 等替代方案更少的离线索引资源。
• Sense-Making: 更好的大型且复杂上下文整合。
• Resource Efficiency: 使用比 GraphRAG 或 RAPTOR 等替代方案更少的离线索引资源。
• Flexible Deployment: 支援广泛的提供商，包括 OpenAI, Amazon Bedrock, OrcaRouter, 以及本地 vLLM 部署。
• Vector Store Support: 相容于 Parquet files, Qdrant, ChromaDB, 以及 Milvus。