ComoRAG是由腾讯微信AI团队与华南理工大学等机构合作开发的突破性研究，发表于2025年8月。该项目旨在解决当前AI系统在处理长文本和复杂叙事推理时的”健忘症”问题。

传统AI系统在处理长篇叙事时面临根本挑战：要么因文本过长而无法处理，要么只能找到片段化信息却无法将其串联成完整故事线。ComoRAG的目标是让AI像人类侦探一样思考，建立动态”记忆工作区”，不断整合新发现的线索，逐步构建完整的推理链条。

ComoRAG的独特之处在于它模仿了人类大脑前额皮质的认知调节机制。当遇到复杂问题时，系统会进入循环的推理过程，类似于人类侦探在案件调查中不断深入挖掘新线索。

系统通过建立动态记忆工作区，实现状态化的长期推理，解决了传统AI系统”每次只能记住一个线索，无法将所有证据组织成完整推理链条”的问题。

五步认知控制环路

三层知识宝库

ComoRAG的核心创新在于其独特的记忆管理系统，这个系统就像一个高效的信息加工厂，能够将零散的证据片段转化为有机联系的知识网络。

每个记忆单元包含三个要素：

• 触发这次检索的探索问题
• 检索到的证据内容
• 综合线索：对证据价值的深度解读，解释该证据如何推进对原始问题的理解

记忆融合机制会扫描整个记忆池，识别与当前问题最相关的历史发现，将其融合成连贯的背景摘要。这种处理不是简单的信息堆叠，而是创造性的综合，能够识别不同记忆单元之间的逻辑关系，构建出比单个记忆单元更加丰富和完整的理解框架。

ComoRAG最体现”智慧”的部分是其问题生成能力，它像经验丰富的侦探，能在关键时刻提出恰到好处的问题，引导调查朝着正确方向深入。

系统的”调节代理”在意识到现有信息无法充分回答原始问题时，会进入反思模式，分析当前理解的不足之处，生成具有明确目的性的探索问题。这些问题不是随机的，而是经过深思熟虑的战术选择，确保每个新问题都能开拓未被充分探索的领域。

# 调节代理生成探索问题的伪代码
def generate_exploration_question(current_memory, original_question):
    # 分析当前理解的不足之处
    gaps = analyze_knowledge_gaps(current_memory, original_question)
    
    # 根据不足之处生成探索问题
    exploration_questions = []
    for gap in gaps:
        question = formulate_question(gap)
        exploration_questions.append(question)
    
    # 确保问题具有互补性，避免重复搜索
    unique_questions = ensure_diversity(exploration_questions)
    
    return unique_questions

研究团队在四个包含20万以上词汇的长篇小说理解测试中验证了ComoRAG的效能，结果令人印象深刻。

关键发现：

• 大部分性能提升来自于第2-3轮的循环推理过程
• 系统的优势随着文本长度的增加而愈发明显，处理超过15万词的文本时准确率优势达到24.6%
• 在需要全局理解的复杂问题上表现尤为出色
• 具有良好的可扩展性，底层语言模型升级后性能全面提升

ComoRAG的成功代表了AI系统设计哲学的根本性转变，从”反应式”工具向”主动思考”伙伴的转变。这种转变的影响远超学术研究范畴，可能会重新定义我们对”机器智能”的理解和期待。

研究团队将问题分为三类，发现ComoRAG在不同类型问题上的表现差异：

这项研究的意义在于：AI能力提升的关键不在于更好的信息检索，而在于更智能的信息整合和推理。当我们面对真正复杂的认知任务时，需要的不是更大的”信息仓库”，而是更智慧的”推理引擎”。