ComoRAG: Um RAG Organizado por Memória de Inspiração Cognitiva para Raciocínio Narrativo Longo com Estado

ComoRAG: A Cognitive-Inspired Memory-Organized RAG for Stateful Long Narrative Reasoning

August 14, 2025

Autores: Juyuan Wang, Rongchen Zhao, Wei Wei, Yufeng Wang, Mo Yu, Jie Zhou, Jin Xu, Liyan Xu

cs.AI

Resumo

A compreensão narrativa de histórias longas e romances tem sido um domínio desafiador devido às suas tramas intrincadas e às relações complexas e frequentemente evolutivas entre personagens e entidades. Dada a capacidade reduzida dos modelos de linguagem de grande escala (LLMs) para raciocinar sobre contextos extensos e o alto custo computacional envolvido, as abordagens baseadas em recuperação continuam desempenhando um papel crucial na prática. No entanto, os métodos tradicionais de RAG (Recuperação Aumentada por Geração) podem falhar devido ao seu processo de recuperação estático e de etapa única, que frequentemente ignora a natureza dinâmica de capturar relações interconectadas dentro de contextos de longo alcance. Neste trabalho, propomos o ComoRAG, fundamentado no princípio de que o raciocínio narrativo não é um processo único, mas uma interação dinâmica e evolutiva entre a aquisição de novas evidências e a consolidação de conhecimentos passados, análoga à cognição humana ao raciocinar com sinais relacionados à memória no cérebro. Especificamente, ao encontrar um impasse no raciocínio, o ComoRAG passa por ciclos iterativos de raciocínio enquanto interage com um espaço de memória dinâmico. Em cada ciclo, ele gera consultas de sondagem para traçar novos caminhos exploratórios, integrando então as evidências recuperadas de novos aspectos em um pool de memória global, suportando assim a emergência de um contexto coerente para a resolução da consulta. Em quatro benchmarks desafiadores de narrativas de contexto longo (200K+ tokens), o ComoRAG supera as bases fortes de RAG com ganhos relativos consistentes de até 11% em comparação com a linha de base mais forte. Análises adicionais revelam que o ComoRAG é particularmente vantajoso para consultas complexas que exigem compreensão global, oferecendo um paradigma fundamentado e cognitivamente motivado para a compreensão de contextos longos baseada em recuperação, visando o raciocínio com estado. Nosso código está disponível publicamente em https://github.com/EternityJune25/ComoRAG.

English

Narrative comprehension on long stories and novels has been a challenging domain attributed to their intricate plotlines and entangled, often evolving relations among characters and entities. Given the LLM's diminished reasoning over extended context and high computational cost, retrieval-based approaches remain a pivotal role in practice. However, traditional RAG methods can fall short due to their stateless, single-step retrieval process, which often overlooks the dynamic nature of capturing interconnected relations within long-range context. In this work, we propose ComoRAG, holding the principle that narrative reasoning is not a one-shot process, but a dynamic, evolving interplay between new evidence acquisition and past knowledge consolidation, analogous to human cognition when reasoning with memory-related signals in the brain. Specifically, when encountering a reasoning impasse, ComoRAG undergoes iterative reasoning cycles while interacting with a dynamic memory workspace. In each cycle, it generates probing queries to devise new exploratory paths, then integrates the retrieved evidence of new aspects into a global memory pool, thereby supporting the emergence of a coherent context for the query resolution. Across four challenging long-context narrative benchmarks (200K+ tokens), ComoRAG outperforms strong RAG baselines with consistent relative gains up to 11% compared to the strongest baseline. Further analysis reveals that ComoRAG is particularly advantageous for complex queries requiring global comprehension, offering a principled, cognitively motivated paradigm for retrieval-based long context comprehension towards stateful reasoning. Our code is publicly released at https://github.com/EternityJune25/ComoRAG