Lab4AI大模型实验室是面向AI开发者、科研党与学习者打造的一站式AI实践平台深度绑定高性能弹性算力支持模型复现、训练、推理全流程以按需计费、低价高效破解高端算力紧缺与成本高昂难题同步Arxiv前沿论文并提供翻译、导读、分析服务支持各类大模型一键复现与数据集微调对接孵化资源助力科研成果转化同时搭载多样化AI在线课程实现理论学习与代码实操同步推进全方位覆盖AI研发、科研创新与技能学习全场景需求。大模型实验室官网链接 https://www.lab4ai.cn/arxiv?utm_sourcecsdn_daily_paper作者信息德克萨斯农工大学研究背景RAG技术现状检索增强生成RAG通过外部检索知识增强大语言模型生成效果早期以非结构化文本检索为主后续引入图结构知识表示提升推理与事实一致性。传统图RAG局限普通知识图仅能表示二元关系无法建模多实体高阶交互易造成信息丢失与推理碎片化。超图RAG不足现有超图RAG将超边视为静态事实检索时不考虑交互顺序与演化过程属于排列不变性检索无法适配依赖时序、因果与过程的推理任务。现实任务需求热带气旋、港口运营等场景的推理结果不仅依赖交互内容更依赖交互发生的顺序现有方法无法满足该类顺序敏感型任务。研究目的打破现有RAG将检索证据视为无序集合的核心假设解决排列不变性检索与顺序敏感型推理任务不匹配的问题。提出将顺序作为核心结构属性的超图RAG框架实现对知识高阶交互与交互时序的统一建模。将检索从“独立事实选择”重构为“连贯交互轨迹推理”让大模型能够基于有序证据链完成过程化、因果化推理。在热带气旋-港口影响评估等领域任务中验证顺序感知超图检索对生成质量与推理准确性的提升效果。本文核心贡献提出顺序感知知识超图表示将高阶交互与优先顺序结构融合突破传统超图仅建模静态关系的局限完整保留知识的时序与逻辑顺序。重构检索范式将传统集合式检索改为超边上的轨迹推理显式建模证据序列的重要性而非仅关注检索内容相关性。无显式时序监督的顺序学习设计可学习的转移模型从数据中自动学习超边间的优先关系无需人工标注时序信息。验证顺序核心价值通过实验证明检索证据的排列顺序直接决定推理质量顺序感知设计是性能提升的关键因素。研究方法1. 顺序感知知识超图构建与顺序学习知识超图构建以实体为节点、超边为高阶交互单元通过大模型进行N元关系抽取保留多实体依赖的完整语义。实体类型划分分为持久对象港口、气旋、瞬时状态气旋等级、时间锚点T-48三类支撑时序与结构建模。优先顺序学习采用双线性转移模型Pθ(ej|ei)通过对比损失自监督学习利用文档顺序、实体重叠、检索偏好三类信号训练无需显式时序标注。2. 顺序感知超图检索检索目标最大化相关性顺序连贯性优先一致性实体连续性阶段覆盖度获取最优有序超边轨迹。推理算法采用束搜索Beam Search生成有序轨迹小候选集使用维特比动态规划精确优化。多轨迹检索返回多条多样化轨迹为生成提供多路径解释与互补证据。3. 检索增强生成将检索到的有序轨迹以带步骤索引、时间标签、阶段标注的结构化形式输入生成器避免扁平化拼接丢失顺序信息。支持单提示多轨迹交叉参考与置信度加权聚合两种生成模式保障生成的事实准确性与推理逻辑性。4. 实验设计数据集CyPortQA热带气旋-港口运营QA基准2917个场景、117178个问题。基线方法Text-RAG、GraphRAG、HyperGraphRAG。评估指标判断题/选择题精确匹配、简答题容差精度、描述题LLM语义评分。消融实验打乱顺序、移除顺序相关模块、对比无顺序/启发式顺序/学习顺序。研究结果整体性能最优OKH-RAG在四类问题TF/MC/SA/TD及整体准确率上均超过所有基线整体准确率达0.534高于HyperGraphRAG的0.511。顺序是核心增益源将OKH-RAG检索结果打乱顺序后整体准确率从0.534降至0.487降幅最大证明顺序对推理至关重要。模块有效性优先一致性、阶段覆盖、实体连续性、顺序连贯性均对性能有正向贡献其中优先一致性与阶段覆盖影响最显著。学习顺序最优性能排序为学习顺序 启发式顺序 无顺序验证可学习转移模型优于固定规则。任务自适应跨时间推理任务优先跨阶段轨迹单阶段事实任务聚焦局部紧凑轨迹适配不同查询的推理需求。总结与展望本研究推翻了RAG领域“检索证据可视为无序集合”的核心假设提出OKH-RAG框架将顺序作为核心结构属性融入超图RAG实现高阶知识交互与时序关系的统一建模。实验证明在顺序敏感的领域推理任务中证据的组织顺序与内容本身同等重要顺序感知轨迹检索可显著提升大模型的推理准确性与事实一致性。展望可将该框架拓展至科学发现、临床诊断、工程故障分析等更多顺序依赖型领域。进一步优化顺序学习与轨迹检索算法提升大规模知识图谱上的效率与可扩展性。结合动态知识更新实现实时时序知识的顺序感知检索与生成。探索多模态知识文本、图像、数值的顺序感知超图建模适配多模态复杂推理任务。