RAG_Literature_Summary.md

RAG 文獻總結：Hypergraph 與 Hierarchical 檢索技術

1. HGMem (doc_2512_23959v2_2526f6)

• 核心技術：基於超圖（Hypergraph）的工作記憶體。
• 創新點：使用超邊（Hyperedges）捕捉高階相關性（n-ary relations），解決傳統圖形僅能捕捉二元關係的問題。
• 機制：
  • Memory.evolve(): 隨著檢索過程更新超圖。
  • Evolve-Explain-Finalize: 多步推理策略。
• 侷限：未強調高低維度概念的階層式檢索。

2. LightRAG

• 核心技術：基於知識圖譜（Knowledge Graph）的雙層檢索。
• 創新點：Local（低階實體）與 Global（高階主題）關鍵字檢索。
• 機制：
  • ll_keywords: 實體級別檢索。
  • hl_keywords: 摘要與模式級別檢索。
• 侷限：底層使用二元邊圖形，難以處理複雜的多向關聯。

3. TREX (Microsoft)

• 核心技術：Graph-based + Vector-based Hybrid RAG。
• 創新點：成本效益高的檢索演算法，比傳統 Graph RAG 更快速。
• 機制：結合圖結構深度與向量檢索的廣度。

4. PKG (Pseudo-Knowledge Graph)

• 核心技術：Meta-Path Guided Retrieval。
• 創新點：不依賴靜態圖譜，而是動態引導檢索路徑。

5. URAG (Unified Hybrid RAG)

• 核心技術：統一混合檢索。
• 創新點：整合多種檢索模式以適應不同問題類型。

6. FWHDNN (arXiv:2501.14399)

• 核心技術：Wavelet Hypergraph Diffusion。
• 創新點：多層級簇狀編碼（Multi-level cluster-wise encoding）。
• 應用：主要用於推薦系統，但其多尺度拓撲關係捕捉技術與 RAG 具相關性。

7. 整合缺口與未來研究方向 (Filling the Gaps)

A. 語義分層儲存 (Semantic Tiering)

• 缺口：HGMem 的工作記憶體受限於上下文長度，而 LightRAG 的全局圖譜過於龐大。
• 對策：利用 LightRAG 的 hl_keywords 作為超圖的「骨架」，將 ll_keywords 相關的細節實體作為動態置換的「葉子節點」，實現分層式的內存管理。

B. 拓撲剪枝與信號強化 (Topological Pruning)

• 缺口：超圖推理鏈過長時會產生噪音。
• 對策：引入 FWHDNN 中的小波擴散或圖中心性指標，對推理路徑進行重要性評分，自動剪除無效的超邊。

C. 跨模態超邊連結 (Cross-modal Hyperedges)

• 缺口：現有系統多專注於純文本，忽視了圖表與文字的深度關聯。
• 對策：將 PDF 中的表格 (table)、圖片 (figure) 與文本塊 (chunk) 透過同一個超邊連結。在「長 RAG 鏈」推理時，系統能同時參考圖表數據與描述文字。

D. 回饋式圖譜進化 (Refinement Loop)

• 缺口：索引階段後的圖譜通常是靜態的。
• 對策：將成功的推理路徑（Winning Chains）寫回長期知識圖譜中，強化這些高頻路徑的權重，實現「越用越聰明」的功能。