EverMemOS 的 RAG 类型分析EverMemOS 同时支持两种检索模式对应不同的 RAG 范式检索模式RAG 类型说明轻量级检索Naive RAG传统 RAG单轮向量 BM25 RRF 融合Agentic 检索Agentic RAGLLM 引导的多轮检索与查询优化1. 轻量级模式 → Naive RAG检索方式Embedding 向量检索 BM25 关键词检索 RRF 融合流程用户查询 → 单次检索 → 返回结果特点无 LLM 参与检索决策延迟低、成本低2. Agentic 模式 → Agentic RAG检索方式LLM 引导的多轮检索流程Round 1RRF 混合检索Embedding BM25LLM 判断检索结果是否充分Round 2若不充分LLM 生成 2–3 个改进查询 → 并行检索 → 合并去重Rerank对结果重排特点符合 Agentic RAG 的 ReAct 式循环判断 → 行动 → 观察 → 再决策3. 与 GraphRAG 的对比EverMemOS不是 GraphRAG维度GraphRAGEverMemOS知识表示知识图谱实体、关系、社区结构化记忆Episode / EventLog / Foresight索引构建实体抽取、社区检测、社区摘要MemCell 边界检测、记忆提取、向量化检索方式图遍历、社区选择向量 BM25 混合检索多跳推理图结构原生支持通过 Agentic 多轮检索近似实现4. 总结EverMemOS 的 RAG 类型可以概括为以 Agentic RAG 为主Agentic 模式是核心能力用于复杂、多维度查询。支持 Naive RAG轻量级模式用于简单、低延迟场景。非 GraphRAG不依赖知识图谱而是基于向量和 BM25 的混合检索。记忆系统围绕 Episode / EventLog / Foresight 等记忆类型而非图结构。整体上EverMemOS 更接近Agentic RAG并在此基础上提供可选的轻量级 Naive RAG 模式。