当我们希望 LLM 总结一份上万字的会议记录、论文或新闻合集时，即便是拥有超长上下文窗口的模型也常常记不住重点：重要信息淹没在冗长文本中，导致生成结果模糊、片段化。

为了解决这一问题，Retrieval-Augmented Generation（RAG）成为了当下的主流解决方案之一：先检索关键信息，再进行总结生成。模型不再读完整文档，而是检索若干相关段落喂入 LLM 完成总结。

但 RAG 有个被忽视的漏洞：在持续对话或多轮检索-生成过程中，LLM 的历史输出被简单丢弃而未得到充分利用。

这些历史回复本身就蕴含了模型在理解、推理和总结长文档时的隐性思维轨迹，可视作一种高质量的中间记忆，然而现有 RAG 方法并未加以利用，导致信息浪费和冗余计算。

更关键的是，历史回复往往与原始文档片段存在复杂的语义依赖与逻辑传递关系，而传统 Retriever 仅基于静态语义相似度，无法捕捉这种跨查询、跨响应的动态联系。同时，长文档全局总结任务缺乏显式的精确标签，使得系统难以获得可靠的监督信号去学习‘哪些信息才真正重要’。

近日，来自伊利诺伊大学香槟分校（UIUC）的研究团队在 ACL 2025 上发布了新作：《Graph of Records: Boosting Retrieval-Augmented Generation for Long-context Summarization withGraphs 》，本文提出利用图结构来管理 RAG 过程中产生的 LLMMemory，以增强长上 下文理解效果。

一、核心设计：让 RAG “记住自己的回答”

本文 Graph of Records（GoR）创新性地提出：“每一次 RAG 的回答，都是一条有价值的记录。与其丢弃，不如将它们作为 LLM Historical Memory 保存起来，并用图结构进行 Memory Management，形成一个可学习的 RAG 记忆图谱。”

Step 1：构建「记录图」

在 RAG 中，给定一个 User Query，我们可以检索到与之相关的文本块并输入 LLM 进行回复生成。在这个直观的过程中却包含了天然的图结构关联性：检索的文本块与 LLM 生成的回复。

因此，为了模拟真实生产环境中的 RAG 系统，针对某一个长文档，GoR 先通过 LLM 进行多轮用户查询模拟（query simulation）生成若干 User Query，并系统性地利用 RAG 生成问答记录。

每一次“查询–检索–生成”的组合可被视为一条边：连接原始文档片段（chunk）与 LLM 的回答（response）。所有这些历史 RAG 回答过程共同组成一个“记录图”（Graph of Records），蕴含了跨查询的逻辑与语义联系。

Step 2：利用 GNN 学习文本块与 LLM 历史记忆之间的复杂关联

由于 User Query 各不相同，在 GoR 的构建过程中，不同 Query 间的语义依赖与逻辑关联交织形成复杂的图结构，如何高效建模并学习这些潜在关系，是实现有效 RAG Memory 管理的关键。

对此，GoR 直观地引入图神经网络（GNN）来建模这些复杂关联：每个节点（文档块或历史回答）都会关联并学习一个动态嵌入句向量，用于反映它与全局总结查询问题之间的语义和逻辑相关性。

GoR 摒弃了昂贵的人工标注，通过 BERTScore 计算节点（Chunk or Response）与参考摘要（Reference Summary）之间的语义相似度并据此对节点进行相似度排序，构建自监督信号。

通过结合对比学习（Contrastive Loss）+ 排序损失（Pair-wise Ranking Loss）进行自监督训练（为简洁起见未列出具体算法公式，具体细节请参考原文），模型可高效地学习哪些节点对全局总结最关键，无需人工标签即可端到端优化。

二、实验结果：全面超越 Retriever 与长上下文 LLM

研究团队在四个长上下文数据集（AcademicEval、QMSum、WCEP、BookSum）上进行了系统评测。

结果显示，GoR 在所有指标上均显著优于包括 BM25、Contriever、Dragon、Thought-Retriever 在内的若干主流 Baseline。相比长上下文 LLM，GoR 的输入长度更短，却获得了更好的摘要质量与更低的成本，显示出强大的信息压缩与结构建模能力。

此外，基于 DeepSeek-R1 的 LLM Judge 分析显示，GoR 在摘要的完整性、多样性与信息量三项指标上均获得最高综合得分。

三、消融分析：图结构与自监督是关键

作者通过大量消融分析实验发现：（1）删除图神经网络训练（w/o train）导致性能显著下降；（2）删除对比损失或排序损失（w/o L_CL，w/o L_RANK）造成 Rouge-L 指标显著降低；（3）将自监督训练替换为传统的监督学习训练（w/ sup）使性能大幅退化。

这说明了 GoR 的自监督图学习机制是性能提升的关键所在。通过将 RAG 产生的 Memory 组织成图结构并利用 GNN 学习其关联性，GoR 能够进行有效的 RAG Memory 管理，提升长文本理解与总结效果。

同时，推理效率分析显示，GoR 的延迟仅比普通 RAG 多出几百毫秒，几乎不影响实时性。

总结：从 RAG 到 GoR，迈向「会思考的记忆系统」

本文提出的 GoR 让模型学会整理和利用自己的思考记录。它让 RAG 从“检索+生成”升级为“检索+生成+复用”的闭环过程，成为记忆驱动的持续思考范式。

在 LLM Memory 逐渐成为模型能力新基建的当下，如何让 LLM 真正‘记住’并重用自己的思考记录，是通往持续学习与记忆增强智能体的核心路径。

GoR 从 RAG 场景切入，首次将 LLM 历史回复系统化地纳入图结构管理，可被视为一种结构化的 LLM Memory 实现形式。

这正与当下的 LLM Memory 出发点不谋而合。而 Graph of Records 正是通往这一方向的重要一步：“让 LLM 学会记忆自己的历史，从而更好地理解世界。”

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】