知识并非静态：面向语言模型的顺序感知超图检索增强生成

检索增强生成（RAG）通过将输出锚定于检索知识来增强大语言模型。然而，现有方法将检索证据视为无序集合，忽略了现实推理任务中事件发生顺序的关键影响。本文提出顺序感知知识超图 RAG（OKH-RAG），将顺序作为首要结构属性，利用带有优先结构的超图表示高阶交互，并将检索重构为超边上的序列推断。该方法无需显式时间监督即可学习转移模型以推断 precedence。实验表明，在热带气旋和港口运营等顺序敏感任务中，OKH-RAG 显著优于无序基线，证明了结构化序列组织对有效推理的必要性。