好久不写了简单看点文章写写：

ComoRAG

个人理解就是几种GraphRAG的方法合起来，上面搞了一个Agent混合检索

三层：
* 事实层就是类似HippoRAG这种知识图谱用来回答事实性问题的
* 语意层就是总结类，比如RAPTOR，MS GraphRAG
* Episodic就是时序类，这里是用滑动窗口做的，感觉可以套一些其他的时序图的方法

这里时序类的做法是把长文本做滑动窗口式的总结，用来回答全文脉络这种问题。个人感觉主要就是针对小说这种场景。或者是放到Memory上，用户对话的每一段搞一个滑动窗口总结。
* 不确定是否有什么针对性的问题，直观想感觉套一些时序图的方案更好一些

episodic layer具体的方案

问答策略，整体类似一个Agent，就是循环的去用上面这三种检索方式做回答，然后生成新的答案和后续的问题。

在尝试回答问题的时候，这里套了一个RAG，相当于做了一个Agent的memory。

每次生成的答案就是记忆单元，相当于新的clue，或者sub question answer。

然后回答的时候会召回历史的几个记忆单元，用来融合生成一个摘要去问答，而不是简单的把历史记录直接丢给模型做总结。（虽然感觉差不多，因为现在模型上下文都比较长了）

benchmark记录一下：

LeanRAG

在HiRAG上的工作，核心点在于HiRAG，MsGraphRAG没有考虑高层实体之间的关系，只有最底层实体之间有相关的边。

所以这里聚类出高层实体之后，会看一下他们的连接（这里我猜测就是用底下的节点之间的关系来判断一下），来构建高层节点之间的关系。相当于是一个分层图了
* 不过这里方案上，好像高层点是一个完全图，两两之间都有相连。这种可能搞一个阈值好一些。

查询的时候，之前HiRAG是带上高层节点去跑最短路。这里强化了一下，先找LCA，然后每一层单独再去跑最短路。带上这些一起做回答

直观感觉确实总结一些高层之间的关系会更好一些，直接的思路也可以应用到ms graphrag的方案上，总结一下社区与社区之间的关系。

RankToSelection

训练了个比Reranker强一些的模型，有一个额外的功能是选择第几段。核心点在于带着检索的段落一起选择，而之前的reranker假设了段落之间是独立的

直观感觉这样输入的数据可能太多了？不知道模型是否能hold住。

如果数量变多确实是瓶颈的话，可以先过一个大模型做过滤，筛选掉一些无关的段落。

所以感觉这一步更像是：
* retrieve, rerank, (selection), generation中，selection用一个特定模型做的方法。不过这里结合了rerank + selection，避免单独考虑一个段落影响整体回答效果的问题。