可更新的检索增强知识库发展方向及进展

检索增强生成（RAG）已成为大语言模型落地的标准范式。通过从外部知识库检索上下文信息，RAG显著降低了模型的幻觉频率，同时避免了频繁重训练的高昂成本。然而，一个长期被忽视的问题正浮出水面——知识库本身会过时。无论是技术文档的月度版本迭代、金融报告的季度更新，还是政策法规的持续修订，标准RAG系统都面临严峻的版本混淆问题：它仅关注语义相似度，却忽视了时间有效性，常常将旧版本的内容误作为当前答案返回。

VersionRAG：文档级的版本感知解决

当知识库中存在更细粒度的知识冲突时，情况变得更加复杂。知识增加、知识遗忘、知识冲突、知识演化等问题交织在一起，亟需更完善的框架加以处理。可更新知识库技术正是为解决这一挑战而兴起的方向，本文将梳理三篇代表性工作，呈现该技术领域的清晰发展脉络。

STACKFEED：从检索优化到知识库编辑

技术文档的版本迭代是普遍现象。每次更新都会引入新API或废弃旧特性，而当用户询问某个API在当前版本是否可用时，传统RAG系统表现不佳。研究显示，Naive RAG在版本敏感问题上的准确率仅为58%，GraphRAG也仅达64%。失败原因主要有二：跨版本混淆与无法追踪隐式变更。 VersionRAG的创新在于引入五层图结构显式建模文档演化：Category层标识文档分类，Document层记录同一文档标识，Version层串联历史版本形成有序时间序列，Content层存储具体内容片段，Change层则记录版本间变更记录。这五层结构使得系统能够区分当前状态与历史版本，并追踪隐式变更。检索时，系统先对查询进行意图分类——是询问当前状态还是版本间差异，随后路由到不同检索路径并获取相应的内容。

Mem0：单条知识级的动态记忆

VersionRAG解决了如何从多版本知识库正确检索的问题，但一个更根本的问题被忽视了：知识库本身可能就是错误的、不完整的、过时的。STACKFEED将视角从检索端优化转向知识库端编辑。其核心洞察是：与其让RAG系统更聪明地应对劣质知识库，不如让Agent直接修改知识库本身。 STACKFEED采用多Actor-集中Critic的强化学习框架。Critic作为集中评估器，接收用户反馈和RAG系统的错误案例，分析知识库中哪些文档存在问题，并生成文档级的编辑指令。Actor作为分布式编辑器，每个Actor是一个ReACT agent，负责一个文档的编辑任务，接收Critic指令后执行结构化编辑操作。编辑后的知识库重新输入RAG系统测试，专家评判改善效果，结果反馈回Critic优化下一轮指令。实验表明，通过编辑知识库能让各种模型表现出更优的检索性能。

如果说VersionRAG是文档级的版本管理，STACKFEED是文档级的Agent编辑，那么Mem0则将更新粒度推进到了单条知识的级别。考虑到对话式AI Agent需要跨会话记住用户偏好、历史上下文和演变的事实，但LLM的上下文窗口有限且昂贵，因此需要一个生产级的知识管理架构——像数据库一样对知识进行增删改查。 Mem0实现三阶段流式管道：阶段一为提取，从用户-AI对话中提取显著事实，使用LLM prompt结合全局摘要和近期消息窗口输出候选单元；阶段二为巩固，将候选事实向量化后检索语义相似的已有知识，执行ADD、UPDATE、DELETE、NOOP四种操作之一；阶段三为检索，查询向量化后检索top-k相关知识注入为LLM的上下文补充。此外，Mem0还提供图谱变体Mem0g，在向量知识库之上增加知识图谱层捕捉三元组关系，支持多跳推理和时序追踪。

如有侵权，请联系删除。