多智能体做检索增强生成，已经成了很多知识类应用的标配。但把文档整段塞进上下文，智能体每次都从头读一遍，会带来两个老问题：一是长程多模态推理里容易「状态盲」——前面看到的关键证据，走到后面步骤时已经飘出窗口；二是冗余检索——相似的内容被反复拉取，挤占本来就紧的上下文。9 月披露的 GraMRAG 想用一套图记忆加强化学习的办法，把这两个问题一起压下去。
为什么是「图」而不是「列表」
传统 RAG 把知识当成一段段平铺的文档，取用时要么整段召回、要么按向量相似度挑几块。问题是，证据之间是有结构的：A 实体依赖 B 实体，某个中间结论支撑另一处判断。平铺列表把这种结构打平了，智能体只能靠注意力自己重新拼，长程任务里就容易出现前后不一致。GraMRAG 的思路是把多模态记忆建成一张动态图：节点是实体与证据，边是它们之间的依赖关系，推理过程被显式建模成一张有向无环图。
增量认知：把记忆从「文本集合」升级为「关系图」，好处不只是检索更准，而是让推理路径本身可见、可复用。每一步沿依赖边走，而不是每次都重新向量召回，状态盲与冗余检索从源头就少了一截。
这张图不是静态的。它会随多步推理动态生长：新证据进来就挂成新节点、连上相关边；已经被证伪或失效的内容，对应边会被弱化。对多模态场景，GraMRAG 还引入了一种视觉与文本桥接的推理范式，用多尺度实体裁剪配合类 ReAct 的视觉工具链，让模型既能看图也能读文，跨模态证据在同一张图里对齐。
值得注意，图结构在这里不只是存储格式，它直接参与了推理的信用分配。哪些节点真正推动了正确结论、哪些边是噪声，都会在后续优化里被区分对待。
拓扑感知的策略优化
光有图还不够。多步推理轨迹里，不是每一步都同等重要，也不是每个节点都该被反复访问。GraMRAG 提出一种叫 TAPO 的拓扑感知策略优化：它利用图的结构去识别关键路径，并对偏离关键路径的节点做剪枝，从而把信用分配细化到轨迹的关键环节，而不是平均撒在每一步上。
直观地说，这相当于给推理过程做了一次「抓大放小」：关键依赖链上的节点得到更多注意力与检索预算，冗余分支被压低。论文在几个有挑战的多模态基准上做了实验，结果显示它在复杂长距推理任务上稳定超过此前的基线。这里要强调的是，提升来自结构建模与信用分配的配合，而非单纯堆模型规模。
它解决什么，不解决什么
边界提醒：图记忆要发挥价值，前提是知识确实成结构。对纯线性、彼此独立的一问一答，建图反而是额外开销。另外，图的构建质量高度依赖底层模型抽取实体与关系的准确性，抽错了边，推理就会被带偏。它是一套强力的长程推理框架，不是把任何文档丢进去都自动变聪明。
对正在做知识库类智能体的团队，GraMRAG 给出的启发很实在：当你的场景是「多跳、跨模态、长程」，与其继续在向量召回参数上纠结，不如把记忆组织成图，并让优化过程感知图拓扑。这类把结构与学习绑在一起的做法，正逐渐成为复杂 RAG 系统的主流方向。