智能认知增强

#1. 执行摘要

#1.1 研究背景

本项目旨在构建一个 认知增强的学术研究助手，通过 Agents 协作为中文读者提供高质量的论文收集、翻译、理解、语义检索与应用服务。传统 RAG 系统存在以下局限：

• 孤立上下文：无法跨文档建立关联
• 单跳检索：难以回答需要多步推理的复杂问题
• 无记忆能力：每次会话独立，无法积累知识

智能认知增强 通过引入知识图谱、长期记忆和多模态检索，突破这些限制。

#1.2 核心发现

#1.3 关键建议

1. 参考 Cognee 三存储理念，基于 PostgreSQL 自研 Hippocampus 记忆引擎
2. 实施 Agentic RAG 架构：Adaptive + Corrective + Self-RAG 组合
3. PostgreSQL pgvector 作为向量存储：基于已有 PostgreSQL 基础设施，一体化架构
4. PostgreSQL AGE 作为图数据库：与 pgvector 共享基础设施，降低运维复杂度
5. 分阶段实施：向量增强 → 图谱增强 → Agentic RAG 完整实现

#2. 理论基础

从知识图谱基础概念出发，逐步深入 GraphRAG 原理、Agentic AI 范式与 Agentic RAG 架构。

#2.1 知识图谱基础

#2.1.1 定义与核心概念

知识图谱（Knowledge Graph, KG）是一种以图结构组织结构化知识的抽象方式，由 节点（实体）和 边（关系）组成^[1]。

核心特征：实体（论文、作者、概念、方法等）、关系（引用、作者关系、方法演进等）、属性（发表时间、摘要、关键词等）。

#2.1.2 历史演进

#2.1.3 与其他存储的关系

#2.1.4 知识图谱在 AI 中的应用（2024-2025 前沿）

GraphRAG - 知识图谱增强检索生成是 2024 年最重要的技术突破之一：

核心优势：RAG 系统相较裸 LLM 可降低约 40-71% 幻觉率（综合多份生产环境报告估算值，含 Gartner 2024、Databricks MLOps、Amazon Bedrock 生产指标等，GraphRAG 在此基础上通过图谱结构化上下文可进一步提升事实准确性）、支持多跳推理和复杂关系查询、提供可解释的决策路径。GraphRAG 架构与社区检测原理详见 § 2.2。

此外，LLM 正在革新传统知识工程：LLM 驱动的实体关系抽取显著减少手动标注成本，自动图谱更新实现实时知识增量融合。

#2.2 GraphRAG 原理深入

#2.2.1 传统 RAG 的局限

传统 RAG 工作流程：用户问题 → 向量检索 → Top-K 文档块 → LLM 生成回答

核心问题：1) 点状检索——只能找到孤立的相似文档；2) 全局盲区——无法回答语料库全局主题类问题；3) 多跳困难——难以回答跨文档关联推理问题。

#2.2.2 GraphRAG 架构

Microsoft GraphRAG 采用两阶段架构^[2]：

阶段一：离线索引（知识图谱构建）

阶段二：在线查询

#2.2.3 社区检测与分层摘要

GraphRAG 的创新在于 Leiden 社区检测算法^[2]：将图谱划分为紧密连接的社区 → 为每个社区生成 LLM 摘要 → 支持多层级粒度（高层主题 → 细节实体）。

#2.3 Agentic AI 与认知增强

#2.3.1 Agent 核心特征

根据 Andrew Ng 提出的 Agentic Design Patterns^[10]：

代理性（Agency）：能够感知环境、做出决策、采取行动以自主实现目标

Agent 工作循环：感知 Sense → 推理 Reason → 规划 Plan → 行动 Act → 感知...

#2.3.2 认知记忆系统

借鉴人类认知科学，Agent 记忆分为三类：语义记忆（事实知识 → 用户画像、领域知识）、情景记忆（过往经历 → 历史会话、成功案例）、程序性记忆（技能规则 → System Prompt、行为模式）。

#2.3.3 从 ReAct 到认知增强

ReAct 框架（Reasoning + Acting）奠定了现代 Agent 基础^[5]，认知增强在此基础上扩展：长期记忆（跨会话保留）、知识图谱（结构化存储）、自我反思（评估改进）、多 Agent 协作（任务分解）。

#2.4 Agentic RAG 深入解读（RAG 2.0）

Agentic RAG 将传统 RAG 的被动检索转变为主动推理，是构建智能认知增强系统的核心范式^[8][9]。

#2.4.1 RAG 技术演进

#2.4.2 Agentic RAG 核心定义

Agentic RAG 是一种将自主 AI Agent 嵌入 RAG 流程的范式，使 LLM 不再仅仅是被动的内容生成器，而是成为能够主动规划、决策、检索和自我修正的智能编排者。

#2.4.3 Agentic RAG 关键模式

1. Adaptive RAG（自适应检索）

Agent 根据查询特征动态选择检索策略：

2. Corrective RAG（纠错检索）

引入文档相关性评估器，低质量时触发补救措施（查询重写 + Web 搜索补充），具体实现见 § 2.4.5 LangGraph 代码。

3. Self-RAG（自反思检索）

系统自主评估生成内容的质量和事实性：

4. Multi-Step Reasoning（多步推理）

将复杂问题分解为子任务序列，如"查找同时引用 ReAct 和 CoT 的 2024 年论文"需依次执行：搜索 A 集合 → 搜索 B 集合 → 计算交集 → 提取摘要 → 生成回答。

#2.4.4 Agentic RAG 架构模式

单 Agent 架构：由一个 RAG Agent 统一路由至向量库、图谱库、Web 搜索等工具，适合简单场景。

多 Agent 协作架构（上图）：编排 Agent 协调检索、评估、生成、反思四大专业 Agent，支持迭代优化，适合复杂认知增强场景。

#2.4.5 主流实现框架

LangGraph 实现

LangGraph 是构建 Agentic RAG 的主流框架，基于图结构编排工作流：

from langgraph.graph import StateGraph, START, END
from typing import TypedDict, List

class AgentState(TypedDict):
    query: str
    documents: List[str]
    generation: str
    grade: str

def retrieve(state: AgentState) -> AgentState:
    """检索相关文档"""
    docs = retriever.invoke(state["query"])
    return {"documents": docs}

def grade_documents(state: AgentState) -> AgentState:
    """评估文档相关性"""
    grades = [grade_doc(state["query"], doc) for doc in state["documents"]]
    return {"grade": "pass" if sum(grades) > len(grades) * 0.5 else "fail"}

def decide_next(state: AgentState) -> str:
    """决定下一步动作"""
    if state["grade"] == "fail":
        return "web_search"  # 触发 Web 搜索补救
    return "generate"

def generate(state: AgentState) -> AgentState:
    """生成回答"""
    response = llm.invoke(build_prompt(state["query"], state["documents"]))
    return {"generation": response}

# 构建 Agentic RAG 工作流
workflow = StateGraph(AgentState)
workflow.add_node("retrieve", retrieve)
workflow.add_node("grade", grade_documents)
workflow.add_node("web_search", web_search)
workflow.add_node("generate", generate)

workflow.add_edge(START, "retrieve")
workflow.add_edge("retrieve", "grade")
workflow.add_conditional_edges("grade", decide_next)
workflow.add_edge("web_search", "generate")
workflow.add_edge("generate", END)

agentic_rag = workflow.compile()

LlamaIndex 实现

LlamaIndex 提供 Router Query Engine 实现自适应检索，通过 QueryEngineTool 定义多检索工具（向量、图谱、摘要），由 RouterQueryEngine 配合 LLMSingleSelector 自动选择最佳策略。完整实现详见 Agent 运行时框架调研。

#2.4.6 Agentic RAG 评估指标

#2.4.7 本项目 Agentic RAG 应用建议

推荐架构：

#3. 工程框架与工具

深入解读五大主流认知增强框架，通过对比分析为技术选型提供依据。

#3.1 Cognee

#3.1.1 核心定位

Cognee 是一个开源的 AI 记忆控制平面框架（Apache 2.0 许可证），将原始数据转换为可搜索、可连接的智能记忆^[11][20]。

核心理念：图+向量混合存储，支持语义搜索与结构推理统一

#3.1.2 三存储架构

#3.1.3 优势与局限

完整 API、搜索模式与高级配置详见 Cognee 深度调研

#3.2 Microsoft GraphRAG

#3.2.1 核心架构

Microsoft Research 开源的 GraphRAG 专注于 知识图谱增强的 RAG：

#3.2.2 优势与局限

安装配置与高级用法详见 Microsoft GraphRAG 官方文档

#3.3 LlamaIndex Knowledge Graph

LlamaIndex 提供灵活的知识图谱构建与查询能力^[14][22]：

• PropertyGraphIndex：属性图索引（推荐），支持节点/边属性，已替代已弃用的 KnowledgeGraphIndex
• TextToCypherRetriever：自然语言自动转 Cypher 查询，配合 PropertyGraphIndex 实现结构化图谱查询
• LLMSynonymRetriever / VectorContextRetriever：属性图检索器，支持关键词扩展和向量上下文检索

完整代码示例与高级配置详见 Agent 运行时框架调研

#3.4 LangGraph

LangGraph 是 LangChain 生态的 Agent 工作流编排框架^[15][23]：状态管理（跨步骤保持状态）、条件分支（动态决策路由）、循环支持（迭代优化）。

LangGraph Agentic RAG 完整实现示例详见 § 2.4.5

#3.5 MemGPT / Letta AI

MemGPT（已更名为 Letta AI，开源许可证为 Apache 2.0）采用 操作系统式内存管理^[4][16]：

自编辑记忆：Agent 通过 core_memory_append、core_memory_replace、archival_memory_insert、archival_memory_search、conversation_search 等工具调用管理自己的记忆。

#3.6 框架对比总结

选型建议：全栈记忆 → Cognee | 图谱 RAG → Microsoft GraphRAG | 通用开发 → LlamaIndex | Agent 工作流 → LangGraph | 长期记忆 → MemGPT/Letta

#4. 存储技术选型

图数据库与向量数据库是认知增强系统的双核心存储引擎，本章对两类技术进行选型分析。

#4.1 图数据库

#4.1.1 Neo4j

Neo4j 是最成熟的原生图数据库，事实上的行业标准^[13]。

Neo4j AI 特性与框架集成详见 Neo4j 深度调研

#4.1.2 FalkorDB

为 AI/ML 工作负载优化的高性能图数据库^[18][25]。

性能对比：

上述性能数据来源于 FalkorDB 官方基准测试，独立第三方验证有限。

#4.1.3 Kuzu

嵌入式高性能图数据库，类似"图数据库的 DuckDB"：嵌入式（无需独立服务器）、列式存储（OLAP 优化）、MCP 支持（LLM 直接交互）、MIT 许可（完全开源）。

注意：KuzuDB 已被创建者 Kùzu Inc. 归档废弃（GitHub 仓库已设为只读状态，最终版本 v0.11.3）。现有版本仍可使用，但不再接受维护与更新，新项目需审慎评估。

#4.1.4 Memgraph

内存图数据库，专注实时处理：内存优先（极低延迟）、流处理（实时图更新）、GraphChat（自然语言查询）、AI Toolkit（Python 工具集）。性能对比：比 Neo4j 低 41x 延迟，节点插入快 10x（厂商基准测试，独立验证有限）。

#4.1.5 图数据库对比与选型

本项目建议：实际选用 PostgreSQL AGE（与 pgvector 共享基础设施）；Neo4j 详调见 050-neo4j.md，对比决策见 051-postgres-neo4j.md。

#4.2 向量数据库

OceanBase 多模向量检索完整调研详见 OceanBase 三位一体调研

项目基于已有 PostgreSQL 基础设施，选用 pgvector 实现向量 + 图谱（AGE）+ 业务数据一体化架构，降低运维复杂度。

其他向量数据库对比：

向量算法详见 030、选型详见 031、深度调研详见 032

#5. Agent 设计模式

跨框架的通用方法论，可与前述框架和数据库组合应用。Andrew Ng 于 2024 年提出四大核心 Agentic Design Patterns（Reflection、Tool Use、Planning、Multi-Agent）^[10]，本章在此基础上扩展至完整设计模式体系。

#5.1 Prompt Chaining（提示链）

将复杂任务分解为顺序执行的多个 LLM 调用，形成 输入 → 信息提取 → 数据转换 → 结果优化 → 输出 的流水线。适用场景：多步骤数据处理、内容生成工作流、代码生成与优化。

#5.2 Routing（路由）

根据输入动态选择处理路径。实现方式：LLM 分类器路由、基于规则的路由、语义相似度路由。典型模式：用户输入 → 意图分类 → 技术 Agent / 翻译 Agent / 搜索 Agent。

#5.3 Parallelization（并行化）

同时执行多个独立任务以提高效率，如 ParallelAgent 编排多个研究 Agent 并行采集论文。适用场景：多源数据采集、批量文档处理、多角度分析。

#5.4 Tool Use（工具使用）

Agent 通过函数调用与外部系统交互：

@tool
def search_papers(query: str) -> list:
    """搜索相关论文"""
    return paper_database.search(query)

#5.5 Planning（规划）

Agent 自主制定实现目标的步骤序列，具备目标分解、步骤排序、动态调整三关键特征。如总结 GraphRAG 研究进展：搜索论文 → 筛选高引用 → 提取创新点 → 分类整理 → 生成综述。

#5.6 Reflection（反思）

Agent 评估自身输出并迭代改进：

def reflect(output, criteria):
    evaluation = llm.evaluate(output, criteria)
    if evaluation.needs_improvement:
        improved = llm.improve(output, evaluation.feedback)
        return reflect(improved, criteria)
    return output

#5.7 Multi-Agent（多代理）

多个专业化 Agent 协作完成复杂任务。

协作模式：

本项目应用：WorkflowAgent（编排主管）+ PDFProcessingAgent / TranslationAgent / HeartfeltAgent / BatchProcessingAgent（专业工人）

#5.8 Guardrails（护栏）

为 Agent 设置安全边界和约束：输入护栏（过滤恶意/无效输入）、输出护栏（验证生成内容合规性）、工具护栏（限制可执行操作）。

#5.9 Memory（记忆）

Agent 跨交互保持信息的能力，采用双组件架构：

LangGraph 通过 InMemoryStore 实现：store.put() 存储记忆、store.search() 检索记忆，支持 embed 索引。

#5.10 MCP（Model Context Protocol）

LLM 与外部系统交互的标准化协议。Agent 通过 MCP 协议与服务器端的 Tools、Resources、Prompts 交互，具备标准化接口、动态发现能力、跨平台兼容等优势。

#6. 项目架构与实施

基于前述理论基础、框架对比和设计模式，将调研成果转化为具体技术选型、架构设计和实施路线。

#6.1 本项目技术选型建议

Cognee 不作为依赖引入，项目自研记忆引擎，详见 040-cognee.md

#6.2 认知增强架构设计

#6.3 知识图谱 Schema 设计

节点类型：

关系类型：

// 查找使用相似方法的论文
MATCH (p1:Paper)-[:USES_METHOD]->(m:Method)<-[:USES_METHOD]-(p2:Paper)
WHERE p1.title = "ReAct"
RETURN p2.title, m.name

// 查找引用链
MATCH path = (p1:Paper)-[:CITES*1..3]->(p2:Paper)
WHERE p1.title CONTAINS "GraphRAG"
RETURN path

#6.4 混合检索策略

融合算法（RRF - Reciprocal Rank Fusion）：

def rrf_fusion(rankings, k=60):
    """融合多路检索结果"""
    scores = {}
    for ranking in rankings:
        for rank, doc in enumerate(ranking):
            if doc not in scores:
                scores[doc] = 0
            scores[doc] += 1 / (k + rank + 1)
    return sorted(scores.items(), key=lambda x: x[1], reverse=True)

#6.5 实施路线建议

#6.6 实施指引

Cognee 快速入门与高级配置详见 Cognee 深度调研；Neo4j + LlamaIndex 集成详见 Neo4j 深度调研；OceanBase 向量检索示例详见 OceanBase 三位一体调研。

混合检索 Pipeline：

class HybridRetriever:
    def __init__(self, vector_store, graph_store, llm):
        self.vector_store = vector_store
        self.graph_store = graph_store
        self.llm = llm

    def retrieve(self, query, top_k=10):
        # 1. 向量检索
        vector_results = self.vector_store.similarity_search(query, k=top_k)

        # 2. 图谱检索（注意：演示代码，生产环境需参数化查询防止注入）
        graph_results = self.graph_store.query(
            f"MATCH (n) WHERE n.content CONTAINS '{query}' RETURN n LIMIT {top_k}"
        )

        # 3. RRF 融合（算法见 § 6.4）
        all_docs = self.rrf_fusion([vector_results, graph_results])

        # 4. LLM 重排序
        reranked = self.rerank(query, all_docs[:top_k])
        return reranked

    def rrf_fusion(self, rankings, k=60):
        scores = {}
        for ranking in rankings:
            for rank, doc in enumerate(ranking):
                doc_id = doc.id
                if doc_id not in scores:
                    scores[doc_id] = {"doc": doc, "score": 0}
                scores[doc_id]["score"] += 1 / (k + rank + 1)
        sorted_items = sorted(scores.values(), key=lambda x: x["score"], reverse=True)
        return [item["doc"] for item in sorted_items]

    def rerank(self, query, docs):
        prompt = f"Query: {query}\n\nDocuments:\n"
        prompt += "\n".join(f"{i}. {doc.content[:200]}" for i, doc in enumerate(docs))
        prompt += "\n\nRank these documents by relevance to the query."
        response = self.llm.complete(prompt)
        # 解析并重排序
        return docs

#7. References

[1] V. Chaudhri et al., "Knowledge Graphs: Introduction, History, and Perspectives," AI Magazine, vol. 43, no. 1, pp. 17–29, 2022.

[2] D. Edge et al., "From Local to Global: A Graph RAG Approach to Query-Focused Summarization," arXiv preprint arXiv:2404.16130, 2024.

[4] C. Packer et al., "MemGPT: Towards LLMs as Operating Systems," arXiv preprint arXiv:2310.08560, 2023.

[5] S. Yao et al., "ReAct: Synergizing Reasoning and Acting in Language Models," arXiv preprint arXiv:2210.03629, 2022.

[8] A. Asai et al., "Self-RAG: Learning to Retrieve, Generate, and Critique Through Self-Reflection," arXiv preprint arXiv:2310.11511, 2023.

[9] S. Yan et al., "Corrective Retrieval Augmented Generation," arXiv preprint arXiv:2401.15884, 2024.

[10] A. Ng, "Four AI Agent Strategies That Improve GPT-4 and GPT-3.5 Performance," DeepLearning.AI The Batch, Mar. 2024. [Online]. Available: https://www.deeplearning.ai/the-batch/how-agents-can-improve-llm-performance/

[11] Cognee, "Cognee Documentation," 2024. [Online]. Available: https://docs.cognee.ai/

[13] Neo4j, "Neo4j Documentation," 2024. [Online]. Available: https://neo4j.com/docs/

[14] LlamaIndex, "LlamaIndex Documentation," 2024. [Online]. Available: https://docs.llamaindex.ai/

[15] LangChain, "LangGraph Documentation," 2024. [Online]. Available: https://langchain-ai.github.io/langgraph/

[16] Letta AI, "MemGPT Documentation," 2024. [Online]. Available: https://docs.letta.com/

[17] OceanBase, "OceanBase Vector Search Documentation," 2024. [Online]. Available: https://www.oceanbase.com/docs/

[18] FalkorDB, "FalkorDB Documentation," 2024. [Online]. Available: https://docs.falkordb.com/

[20] topoteretes, "Cognee," GitHub Repository, 2024. [Online]. Available: https://github.com/topoteretes/cognee

[22] run-llama, "LlamaIndex," GitHub Repository, 2024. [Online]. Available: https://github.com/run-llama/llama_index

[23] langchain-ai, "LangGraph," GitHub Repository, 2024. [Online]. Available: https://github.com/langchain-ai/langgraph

[25] FalkorDB, "FalkorDB," GitHub Repository, 2024. [Online]. Available: https://github.com/FalkorDB/FalkorDB

#附录 A：术语表

#附录 B：项目当前状态对照