AWS 推出 HippoRAG 实现，融合图算法增强 RAG
AWS 在官方博客发布技术指南，展示如何在其基础设施上部署 HippoRAG —— 一个受神经科学启发的 RAG 框架。该框架模仿人脑海马体的记忆索引机制，通过构建知识图谱并用个性化 PageRank 算法进行图遍历，实现单步检索即可完成跨文档多跳推理，避免了传统 RAG 需要多次迭代的低效。AWS 的方案全面利用其托管服务：Amazon Bedrock 负责大语言模型能力以抽取实体关系三元组并回答问题；Amazon Neptune 数据库与 Neptune Analytics 分别承担图谱存储和高级图算法执行；Amazon Titan Embeddings 提供文本向量表示。指南详细演示了从 HotpotQA 数据集构建知识图谱的完整管道，包括使用 Bedrock 提取三元组、生成 CSV 批量导入 Neptune、运行个性化 PageRank 检索等。HippoRAG 出自俄亥俄州立大学 NLP 组，其在 NeurIPS 2024 论文中展示了比现有 RAG 方法最多 20% 的性能提升，且单步检索成本仅相当于迭代方法的 1/10 至 1/30，速度提升 6–13 倍。AWS 这一实现将前沿学术成果转化为企业级可部署方案，结合此前已推出的 Bedrock Knowledge Bases GraphRAG 功能，进一步丰富了客户在复杂知识集成场景下的选择。
①
神经机制到工程实现
HippoRAG 核心设计：模仿人脑海马体对新知识建立关联索引，而非孤立处理每篇文档。AWS 实现中通过 Bedrock 抽取「主语—关系—宾语」三元组构建知识图谱，再借助 Neptune Analytics 的个性化 PageRank 进行图遍历与排序，单次检索即可关联多篇文档信息，避免迭代 RAG 的多次查询。
②
全方位 AWS 托管栈
方案集成了 Bedrock（LLM 与嵌入）、Neptune（图存储与分析）、Titan Embeddings 及 S3，形成端到端的托管服务组合。博客提供了完整的 Python 代码与数据处理管道示例，从 HotpotQA 等数据集批量导入到检索推理，企业用户可直接复用。
③
学术背景与行业定位
该方法源自 OSU NLP 组的 NeurIPS 2024 论文，在 HotpotQA、MuSiQue 等多跳问答基准上显著优于传统 RAG。AWS 此次发布使该方法走出实验室，与已上线的 Bedrock Knowledge Bases GraphRAG 形成互补，为用户提供从简单图谱到神经启发架构的多层次选择。