深度解析仿人脑记忆搜索的HippoRAG2，全面对比GraphRAG、KAG、LightRAG和PIKE-RAG，成本缩减12倍

持续获取、组织和利用知识的能力是人类智能的关键特征，而 AI 系统若想充分发挥潜力，也必须具备这一能力。近期，一些 RAG 方法通过引入知识图谱等结构来增强对信息的理解和联想能力，部分弥补了这些不足。然而，这些增强方法在基础事实记忆任务上的表现通常远逊于标准 RAG。HippoRAG 2[1] 基于 HippoRAG 采用的 个性化 PageRank（Personalized PageRank, PPR）算法，并进一步优化了信息整合方式，同时增强了 LLM 在在线检索中的作用。

本文首先解析 HippoRAG 2 的设计思路，并通过在数据集上对比 GraphRAG、LightRAG、KAG 和 PIKE-RAG，展示其在知识检索中的独特优势，并讨论 hipporag2 的成本优势！欢迎关注与分享，共同探索 RAG 技术的新边界！

1. 系统架构

为了全面理解 HippoRAG2，我们首先回顾一下《HippoRAG 1》代。它是一个受神经生物学启发的大语言模型长期记忆框架，其各个组件均旨在模拟人类记忆的不同侧面。该框架主要由三个部分构成：人工新皮层（LLM）、旁海马区域（PHR 编码器）以及人工海马（开放知识图谱，Open KG）。这三部分协同工作，再现了人类长期记忆中各信息模块间的相互作用。

在 HippoRAG 的离线索引阶段，LLM 将文段处理为知识图谱三元组，并将其整合到人工海马索引中；同时，PHR 负责检测同义关系以实现信息互联。在在线检索阶段，LLM（作为人工新皮层）从查询中抽取命名实体，而 PHR 编码器则将这些实体链接到海马索引上。随后，对知识图谱应用个性化 PageRank（PPR）算法，进行基于语境的检索。尽管 HippoRAG 试图通过非参数 RAG 构建记忆，但其效果受到一个关键缺陷的制约——以实体为中心的方法在索引和推理过程中导致语境信息的丢失，并且在语义匹配上存在困难。

基于 HippoRAG 所提出的神经生物学启发的长期记忆框架，HippoRAG 2 在结构上遵循类似的离线索引与在线检索两阶段流程，但在此基础上引入了几个关键改进，以更好地契合人类记忆机制：

1. 它能够无缝整合开放知识图谱中的概念信息与语境信息，提升索引的完整性和粒度；
2. 它利用知识图谱结构中超出单一节点的信息，促进了更具语境敏感性的检索；
3. 它引入了识别记忆机制，以改善图搜索中种子节点的选择。

2. 离线索引

HippoRAG 2 利用 LLM 从文本中抽取三元组，并构造一个无模式的知识图谱，同时通过向量相似性进行同义词检测，将相似概念连接起来，即去重消歧，这是一个非常好的消歧思路，而且还实现了；同时，每个文档被视作一个“通道节点”，与其中的概念节点通过“包含”关系相连，从而实现概念与语境的融合。

注意它不需要对 Prompt 进行任何微调，完全根据大模型自动识别三元组，就能够适应任何领域的 QA。你可以看到它只需要通过 LLM 提取三元组，通过 Embedding 完成消歧，因此成本下降在这里！而消歧好坏，在于 Emebdding 模型，论文中使用 NVIDIA 开源的NV-Embd-v2，它是基于Mistral-7B-v0.1[2]改进而来。对于中文，或许我们可以考虑使用Alibaba-NLP/gte-Qwen2-7B-instruct[3]。

3. 在线检索

编码器将查询与相关的三元组及文段进行关联，从而识别出图搜索的潜在种子节点。在三元组关联过程中，识别记忆机制作为过滤器发挥作用，确保仅保留与查询高度相关的三元组。给定种子节点后，基于 PPR 算法进行语境感知检索，精细筛选最相关文段，进一步细化关联结果以选取最相关的文段。最终，检索到的文段作为问答任务的上下文输入。整个流程下图所示。

4. 数据集表现对比

在论文中，比较RAPTOR[4]、GraphRAG[5]、LightRAG[6]和 HippoRAG 1 代，我参考了KAG 论文[7]、PIKE-RAG[8]论文制作了以下表格，方便比较，以下分数都是 F1（权衡召回与精确率的一种调和分数）。

由于不同的论文中，采用的模型不同，分数上有个别差距的，我认为问题不大，依然具有参考性！

令我意外的是，LightRAG 在这些数据集上的表现远低于预期。可以看到，HippoRAG2 在 HotpotQA、2Wiki、MuSiQue 三个数据集上的表现均优于 GraphRAG，接近甚至超越 KAG 和 PIKE-RAG，同时其成本远低于 GraphRAG。但 HippoRAG2 的成本更低！

5. 12 倍成本下降！

相较于昂贵的 GraphRAG，HippoRAG2 在具有更高准确率的基础上，成本下降 12 倍，据此可以推断耗时下降只会比 12 倍更高，什么概念，原来要 GraphRAG 可能要 2 个小时的，而 HippoRAG 现在可能只需要 10 分钟！！！PIKE-RAG 的成本从论文上来看，成本只会更高。

总结

过去 1 年，GraphRAG 等 RAG 方法在检索增强生成（RAG）领域得到了广泛应用，特别是在构建知识库时展现出一定优势。我也在 GraphRAG 开源早期介入进去，并开源了graphrag-server[9] ，也发布了一系列的教程文章。然而，随着使用深入，我逐渐发现 GraphRAG 在索引速度、检索效果和成本方面存在明显局限。例如，其索引过程可能耗时数小时，知识库更新成本过高，而自动社区分类的收益也难以量化。

大脑真的像 GraphRAG 这样组织知识吗？ 这是我思考的关键问题。近期，HippoRAG2 的出现让我看到了一种全新的可能性。它模拟人脑的记忆机制，通过优化知识整合与检索策略，实现了更高效、更低成本的 RAG 方案。

本文详细解析了 HippoRAG2 的原理，并对比了 GraphRAG、LightRAG、PIKE-RAG、KAG等当前主流方案。结果显示，HippoRAG2 在准确率上接近最先进的方案，同时大幅降低了计算成本。

后续文章，我将深入探讨 HippoRAG2 的实战应用，并分享我在优化过程中做出的改进，敬请期待！现在加入我的知识星球即刻获取简化部署代码

我是一名实战派，记得关注哟，获得及时更新。

参考资料

[1]

HippoRAG 2: https://arxiv.org/pdf/2502.14802

[2]

Mistral-7B-v0.1: https://huggingface.co/mistralai/Mistral-7B-v0.1

[3]

Alibaba-NLP/gte-Qwen2-7B-instruct: https://huggingface.co/Alibaba-NLP/gte-Qwen2-7B-instruct

[4]

RAPTOR: https://arxiv.org/abs/2401.18059

[5]

GraphRAG: https://arxiv.org/abs/2404.16130

[6]

LightRAG: https://arxiv.org/abs/2410.05779

[7]

KAG论文: https://arxiv.org/pdf/2409.13731

[8]

PIKE-RAG: https://arxiv.org/pdf/2501.11551

[9]

graphrag-server: https://github.com/KylinMountain/graphrag-server