LivingRAG：用经验增强图 RAG

LivingRAG 是一个基于图的 RAG 框架，增加可写入、可复用的经验存储。它重用先前查询中验证过的图信号和摘要，提高多跳问答准确率，并在复用相关经验时减少补全 token 使用。实验表明其优于强 RAG 基线。

此前 RAG 系统每次查询独立处理，丢弃推理经验，导致相关后续查询需重新检索和推理。LivingRAG 通过复用经验，提升准确率和效率，展示了 RAG 系统从无状态向有状态演进的趋势。

LivingRAG 在基于图的检索骨干上增加可写经验存储，通过两种方式复用：存储的图信号帮助检索定位先前相关查询中有用的实体和段落，存储的摘要为答案生成提供参考推理模式。它分析在线 QA 流，从共享实体、图邻域和问题模板中提取可复用信号。

对于依赖多跳问答的产品，采用 LivingRAG 可减少重复检索和推理，降低响应延迟和 token 成本。同时需投入构建经验存储和更新机制，可能增加工程复杂度。此外，复用经验可能引入历史偏差，需设计验证机制。

• 在客服知识库中集成 LivingRAG，通过复用历史问答经验提高复杂问题首次解决率。
• 为内部知识管理工具增加经验存储模块，减少重复检索，提升响应速度。
• 基于 LivingRAG 开发 API，供其他 RAG 应用调用，实现经验共享。

• 复用经验是否会导致答案过时或对知识更新不敏感？
• 经验存储的大小和更新机制如何影响长期性能和存储成本？
• 在多大程度的查询多样性下，LivingRAG 的收益会减弱或消失？
• 实验使用的具体基准和基线模型是什么，效果提升幅度有多大？