RAG与Agent记忆融合：Agentic GraphRAG如何让智能体不再遗忘

做AI Agent的人大概都遇到过这种尴尬：智能体昨天还依据某份政策文档做出了决策，今天文档更新了，它却毫不知情，继续按老规矩办事。问题不在于模型不够聪明，而在于上下文层（RAG）和记忆层（Agent Memory）长期各管各的。一位在RAG、LLM训练和检索领域摸爬滚打三年半、参与过MMTEB论文的作者，在Reddit上分享了他们正在构建的Agentic GraphRAG项目，试图用一张统一的图把这两层缝在一起。

两层割裂：Agent的“知识”与“经验”互不相通

当前Agent生态里，两拨人各干各的。一拨在做Context Layer：混合RAG、GraphRAG，把检索管道接到Agent上，让模型能查文档、查图谱。另一拨在做Memory Layer：让Agent把做过的事、做过的决策存下来，下次接着用——编码Agent在这方面走得最靠前。

原帖作者观察到的痛点是：这两套系统缺乏真正的联动。Agent基于某份政策文档做出一个决策并记录下来，文档后来改了，却没有任何机制告诉Agent“你那个决策已经过时”。记忆是记忆，知识是知识，中间没有一根线把它们连起来。Agentic GraphRAG 要解决的正是这个“决策过期无人提醒”的问题。

RAG（Retrieval-Augmented Generation，检索增强生成） 是一种让大语言模型在生成回答前先检索外部知识库的技术范式。它通常包含文档切分、向量化嵌入、相似度检索和上下文拼接几个步骤，使模型能引用训练数据之外的最新信息。Agent Memory（智能体记忆） 则关注智能体在交互过程中对自身经历、任务状态和历史决策的持久化存储与复用，常见形式包括短期对话缓冲、长期向量记忆和结构化事件日志。两者虽然都涉及“让模型知道更多”，但RAG侧重外部静态知识的检索，Memory侧重内部动态经验的积累；前者更新依赖文档重新索引，后者更新依赖事件写入。由于缺乏统一的标识和链接机制，文档版本变化无法自动传导到记忆中的决策记录，这正是文章所述割裂的根源。

三层图结构：知识、工作记忆与决策记忆

项目的核心设计是把数据存进一张图，图里分三个相连的层。

知识层承担Context Layer的角色，存文档、源段落、实体及其关系。摄入用Docling，分块用Chonkie，分块时会保留文档的章节结构、表格和段落层级。每个段落都带着来源版本和位置信息，PDF还会记录页码位置——这意味着引用可以精确到“第几页第几段”。

工作记忆层存任务、进度、消息和工具结果。内置Agent基于DeepAgents/LangGraph，把消息和工具调用记录成任务事件，于是后续会话可以恢复任务进度，而不是每次从零开始。

决策记忆层存结论、假设和开放问题，每条都链接到确切的源证据、记录的事件或更早的决策。决策可以被重申（reaffirm）或被替换（replace），历史不会丢失。

三层通过图连接起来，这正是“统一图”的价值所在：决策能追到证据，证据能追到文档版本，文档一变，受影响的决策就能被找出来。

GraphRAG 是RAG的一种图结构化变体：它不满足于把文档切成孤立文本块做向量检索，而是先抽取实体和关系构建知识图谱，再结合图遍历与社区摘要来增强检索。相比传统向量RAG，GraphRAG的优势在于能回答需要多跳推理的问题，例如“某政策影响了哪些部门，这些部门又执行了哪些项目”。Neo4j 是主流的原生图数据库，支持属性图模型、Cypher查询语言，并内置全文索引和向量索引，因而常被用作GraphRAG的存储与检索底座。将知识层、工作记忆层和决策记忆层放在同一个Neo4j图中，意味着三类节点共享同一套标识和关系类型，决策节点可以直接通过边指向证据段落和文档版本节点，从而实现跨层的追溯与失效传播。

知识管道的工程细节

知识管道围绕用户定义的schema构建，schema覆盖实体类型、属性和关系，既指导抽取和校验，也提供图搜索用的实体标签。抽取可以本地跑GLiNER，选定的chunk也可以用BAML做结构化LLM抽取。作者特意强调：即使抽取漏掉了某个事实，直接按段落搜索依然可用——这是对抽取失败的一种兜底。

检索方面，通过Neo4j原生的全文索引和向量索引查找段落，用reciprocal rank fusion把关键词排名和语义排名融合起来。更实用的是“读超出搜索命中”的能力：可以导航到命中段落所在的章节、相邻段落，或者带表头的表格行；实体关系也能反向指回记录证据的支撑段落。整个设计思路是让检索结果可扩展、可追溯，而不是孤立的一段文本。

Docling 是IBM开源的文档解析工具，擅长将PDF、DOCX等格式转换为结构化Markdown或JSON，保留标题层级、表格、列表和阅读顺序，并输出页码等位置信息。Chonkie 是轻量级文本分块库，支持按语义、句子或固定窗口切分，并可与文档结构对齐。GLiNER 是一种零样本命名实体识别模型，无需针对特定领域微调即可按用户给定的实体类型抽取实体，适合本地化、低成本的实体抽取。BAML 则是一种用于结构化LLM输出的领域特定语言，可定义抽取Schema并生成类型安全的调用代码。Reciprocal Rank Fusion（RRF） 是一种无需训练即可融合多路检索排名的算法：对每个文档在各排名列表中的名次取倒数后求和，得到融合分数，能有效平衡关键词检索与语义检索的排序差异。

Agent实际能做什么

这些连接落到Agent能力上有几件具体的事：

• 引用确切的来源版本。内置Agent会检查每个被引用的段落是否在本次运行中被实际取回，以及是否属于它有权读取的文档——这相当于给引用加了一道校验。
• 在同一项目内检索更早的决策。
• 当被引用的文档发生变化时，受影响的决策及其显式依赖项会被标记出来待审。这正是开篇那个“决策过期”问题的直接解法。

路线图与开放问题

作者列出的路线图有三项：让管道更模块化，使各组件能跑在不同硬件上；把检索支持扩展到更多图数据库和存储后端；在领域特定数据集上跑大规模基准测试，结果将很快发布。

帖子最后抛给社区的问题是：你们在Agent里用什么工具做RAG和记忆？这个问题本身就说明，统一上下文与记忆目前还没有公认的标准答案。Agentic GraphRAG给出的思路是“用图把证据链和决策链串起来”，能否在真实负载下站住脚，还得看后续的基准数据。

对于正在搭Agent系统的团队，这个项目值得关注的点不在于它用了Neo4j还是Docling，而在于它提出了一个此前被忽视的工程要求：记忆系统必须知道自己的依据何时失效。没有这一条，Agent的记忆越长久，积累的过时决策就越多。