ComoRAG：面向长文本与多文档的认知启发式记忆组织RAG系统，突破传统RAG单步无状态限制，实现动态、迭代的叙事推理🧠

• 适用场景：长篇故事、多文档问答、信息抽取与知识图构建
• 核心理念：推理-探查-检索-整合-解决，模拟大脑记忆动态交互，支持状态化长篇叙事理解
• 技术融合：多种LLMs与本地/远程embedding模型，图增强检索与推理，灵活数据预处理与分块
• 迭代推理循环：遇阻即发起多轮探查查询，持续扩充全局记忆池，逐步形成连贯上下文
• 性能优势：在4个超长上下文基准测试（20万+ Token）中，相较强基线提升最高11%，特别擅长复杂全局认知任务
• 设计模块化且可扩展，支持多种评测指标（F1、EM等），适合科研和工业应用
• 两种运行ComoRAG 打破传统 RAG 单步检索的局限，采用类脑认知机制，实现长文档和多文档的状态化推理，显著提升复杂叙事理解能力。🧠

• 迭代推理循环：遇阻即发起多轮推理，动态交互记忆工作区，类似人脑记忆整合过程
• 针对性探查查询：每轮生成探针，精准挖掘新证据路径，避免信息冗余与遗漏
• 全局记忆池：持续整合新旧信息，构建连贯上下文，实现长期记忆式检索
• 多任务适用：支持长文QA、信息抽取、知识图谱构建，兼容多种LLM与本地/远程Embedding模型
• 图增强推理：结合图结构提升实体关系理解，助力复杂推理与知识融合
• 丰富评测指标：F1、EM等多维度量化模型表现，确保结果科学可靠
• 开源且模块化设计，支持灵活定制与扩展，适合科研与落地应用

实现细节涵盖Python 3.10+，支持OpenAI API和本地vLLM部署，满足速度、隐私及成本多样需求。相较传统RAG，在四大长文本基准上最高提升11%表现，针对长距离、动态多步复杂推理展现显著优势。

核心流程：Reason → Probe → Retrieve → Consolidate → Resolve，重塑检索增强生成的认知深度。