RAG Memory Architecture Multi-turn Dialogue Multi-hop Reasoning
摘要

多轮信息寻求对话需具备多跳推理及跨轮次长程依赖追踪能力。现有检索增强生成(RAG)系统通常将对话记忆表示为原始历史或非结构化摘要,难以恢复关键的先前推理步骤。本文提出将对话上下文表示为子问题级推理轨迹,使记忆与检索对齐。为此,我们构建了带有显式跨轮依赖标注的 MuMu-QA 基准,并提出了 CMT-RAG 框架。该框架利用状态空间轨迹生成器将查询分解为结构化草案,并将其 grounding 后存储为会话级有向无环图中的持久化记忆轨迹,显著提升了多轮问答的准确性。

AI 推荐理由

论文提出互补记忆轨迹框架,核心在于设计新型对话记忆架构以支持多跳检索。

研究机构
Sun Yat-sen University
论文信息
作者 Lang Zhou, Yingjian Chen, Shuxuan Li, Kun-Yu Lin, Zhilin Zhao
发布日期 2026-07-29
arXiv ID 2607.26470
相关性评分 9/10 (高度相关)