1.引言

1.1 RAG 的局限與迭代檢索的提出

在知識密集型任務(wù)中，大語言模型（LLMs）的檢索增強(qiáng)生成（RAG）雖應(yīng)用廣泛，能提升輸出質(zhì)量、減少幻覺，但仍存缺陷。比如，檢索內(nèi)容常含噪聲，這會致使 RAG 系統(tǒng)性能下滑。復(fù)雜查詢時(shí)，單次檢索難以獲取充足知識，進(jìn)而阻礙 RAG 系統(tǒng)的廣泛應(yīng)用。

為攻克這些難題，迭代檢索應(yīng)運(yùn)而生，其持續(xù)更新檢索結(jié)果，以契合生成進(jìn)程里動(dòng)態(tài)變化的信息需求?？涩F(xiàn)有的迭代檢索方法多依賴少樣本提示或手動(dòng)構(gòu)建規(guī)則。這類方式需大量人力，推理時(shí)計(jì)算成本頗高。更為關(guān)鍵的是，它們忽視了 LLMs 強(qiáng)大的推理與決策能力，未能充分挖掘模型在判定檢索時(shí)機(jī)與內(nèi)容上的潛力，造成資源浪費(fèi)。

1.2 Auto-RAG 的創(chuàng)新點(diǎn)與優(yōu)勢

鑒于現(xiàn)有方法的不足，我們設(shè)計(jì)了 Auto-RAG，這一以 LLMs 強(qiáng)大決策能力為核心的自主迭代檢索模型。它借助多輪對話與檢索器交互，精心規(guī)劃檢索流程、優(yōu)化查詢語句，直至采集到充足外部知識，最終為用戶輸出精準(zhǔn)結(jié)果。

為賦予 LLMs 迭代檢索中的自主決策本領(lǐng)，我們構(gòu)建了自動(dòng)合成基于推理的決策指令框架，并對最新開源 LLMs 進(jìn)行微調(diào)。經(jīng)在六個(gè)具代表性基準(zhǔn)測試的驗(yàn)證，即便訓(xùn)練數(shù)據(jù)有限，Auto-RAG 也表現(xiàn)卓越。其能依問題難度與檢索知識的效用，自動(dòng)調(diào)整迭代次數(shù)，無需人工干預(yù)。而且，它以自然語言呈現(xiàn)迭代檢索過程，提升可解釋性，賦予用戶更直觀體驗(yàn)。例如在處理復(fù)雜多跳問題時(shí)，Auto-RAG 可通過迭代推理，從檢索到的眾多文檔中精準(zhǔn)提取關(guān)鍵知識，逐步逼近正確答案，過程清晰透明，結(jié)果準(zhǔn)確可靠。

2.相關(guān)工作

2.1 檢索增強(qiáng)生成（RAG）

RAG 的誕生，旨在應(yīng)對模型參數(shù)中知識過時(shí)以及 LLMs 對長尾知識保留不佳的困境。常見的 RAG 方法遵循檢索-讀取框架，即將檢索文檔與用戶輸入拼接，為 LLMs 補(bǔ)充外部知識。然而，檢索器并非完美無缺，檢索內(nèi)容的噪聲問題，已被眾多研究證實(shí)會損害 RAG 系統(tǒng)性能。

為此，學(xué)界展開多方面探索。在查詢表述優(yōu)化上，通過改進(jìn)查詢構(gòu)建方式，提升檢索精準(zhǔn)度；檢索器增強(qiáng)方面，采取優(yōu)化檢索器架構(gòu)與算法，提高檢索效率與質(zhì)量；生成器改進(jìn)方向，著力優(yōu)化生成模型，增強(qiáng)其基于檢索知識生成高質(zhì)量文本的能力；檢索文檔后處理優(yōu)化領(lǐng)域，通過對檢索文檔的篩選、整合與提煉，提升知識可用性。但隨著任務(wù)復(fù)雜度攀升，單次檢索獲取足量知識愈發(fā)困難，這些方法仍未徹底解決問題。

2.2 迭代檢索

迭代檢索是為處理復(fù)雜問題求解時(shí)動(dòng)態(tài)變化的知識需求而設(shè)，關(guān)鍵在于精準(zhǔn)判定檢索時(shí)機(jī)與內(nèi)容。諸如 ITER-RETGEN 將輸入問題與前次迭代生成的輸出拼接成新查詢，雖取得一定成果，但僅反映既有知識，未明確揭示 LLMs 的信息需求。以生成的下一句為查詢，并依檢索結(jié)果優(yōu)化前一句，雖更精準(zhǔn)定位信息需求，卻高度依賴精心設(shè)計(jì)的少樣本提示，需持續(xù)檢索與優(yōu)化，人力成本與推理成本居高不下。Self-RAG 訓(xùn)練 LLMs 反思檢索與生成內(nèi)容，但學(xué)習(xí)過程機(jī)械，未有效培育推理能力，限制了模型表現(xiàn)。

與上述方法相較，Auto-RAG 全面釋放 LLMs 在迭代檢索中的推理式自主決策潛能，憑借推理自主抉擇檢索時(shí)機(jī)與內(nèi)容，性能更優(yōu)、效率更高，為迭代檢索開辟新路徑。

3.方法

3.1 基于推理的迭代檢索

我們將迭代檢索視作 LLM 與檢索器的多輪交互流程。用戶查詢觸發(fā)交互，持續(xù)至獲取充足知識形成最終答案。每次迭代中，Auto-RAG 依當(dāng)前狀態(tài)深度推理，判斷是否需額外檢索及確定所需信息，待知識完備則停止查詢并作答。

3.1.1 基于推理的規(guī)劃與查詢優(yōu)化

為優(yōu)化迭代效率與連貫性，我們構(gòu)建契合人類認(rèn)知的推理范式，涵蓋檢索規(guī)劃、信息提取、答案推斷三個(gè)核心環(huán)節(jié)：

檢索規(guī)劃：接收用戶問題時(shí)，LLM 需精準(zhǔn)明確解答所需知識，檢索文檔后評估是否需進(jìn)一步檢索及明確后續(xù)檢索方向。此規(guī)劃全程至關(guān)重要，如同導(dǎo)航系統(tǒng)，可提升檢索效率、規(guī)避迷失方向風(fēng)險(xiǎn)（Wang 等人，2024a）。例如在歷史知識問答中，面對“文藝復(fù)興對歐洲科技發(fā)展的影響”問題，LLM 應(yīng)迅速梳理出需檢索文藝復(fù)興時(shí)期科技成果、代表人物貢獻(xiàn)、社會環(huán)境變革等知識要點(diǎn)，并依據(jù)首輪檢索結(jié)果決定是否深入挖掘特定領(lǐng)域知識或拓展檢索范疇。

信息提?。禾幚頇z索文檔時(shí)，LLM 應(yīng)高效提取關(guān)鍵信息，過濾無關(guān)內(nèi)容。這一過程類似專業(yè)學(xué)者研讀文獻(xiàn)，提煉精華，增強(qiáng)處理外部知識的效率與準(zhǔn)確性（Wei 等人，2023；Xu 等人，2024）。以醫(yī)學(xué)研究文獻(xiàn)檢索為例，面對海量醫(yī)學(xué)論文，LLM 需精準(zhǔn)提取疾病病因、癥狀、治療方案、實(shí)驗(yàn)數(shù)據(jù)等核心信息，摒棄無關(guān)的研究背景、實(shí)驗(yàn)設(shè)備介紹等冗余內(nèi)容，為答案推斷筑牢基礎(chǔ)。

答案推斷：集齊解答問題的全部知識后，LLM 運(yùn)用推理生成準(zhǔn)確答案，降低幻覺風(fēng)險(xiǎn)，確?；貞?yīng)可靠精準(zhǔn)（Wei 等人，2023）。如在復(fù)雜物理問題求解中，綜合各類物理定律、實(shí)驗(yàn)數(shù)據(jù)及現(xiàn)象描述后，LLM 經(jīng)嚴(yán)謹(jǐn)推理得出符合物理原理與實(shí)際情況的答案，避免無根據(jù)的臆測與錯(cuò)誤結(jié)論。

這三種推理共同構(gòu)成迭代檢索的思維鏈條。我們采用少樣本提示法激發(fā)推理過程，依實(shí)際情境靈活調(diào)整步驟。初始接收問題時(shí)可省略后兩步，檢索信息全無關(guān)時(shí)跳過信息提取，確保模型依據(jù)情境精準(zhǔn)判斷，而非機(jī)械模仿與虛構(gòu)答案。用于激發(fā)推理的提示示例見附錄C.1，同時(shí)利用靈活提示策略生成多樣查詢，擺脫少樣本提示的風(fēng)格局限，提升檢索靈活性與全面性。

3.1.2 數(shù)據(jù)過濾與格式化

數(shù)據(jù)過濾：雖闡明迭代檢索推理與查詢優(yōu)化方法，但仍可能產(chǎn)生推理瑕疵或不佳查詢。我們通過對生成的推理與查詢篩選。在含子答案的多跳問答數(shù)據(jù)集里，每次檢索迭代多采樣查詢，保留檢索文檔含子答案的查詢。同時(shí)，若最終答案與數(shù)據(jù)集參考答案吻合，則保留數(shù)據(jù)，確保迭代檢索質(zhì)量與答案連貫性。算法 1 清晰勾勒指令合成與過濾框架，從源頭提升數(shù)據(jù)質(zhì)量，為模型訓(xùn)練與性能優(yōu)化奠定堅(jiān)實(shí)基礎(chǔ)。

數(shù)據(jù)格式化：將迭代檢索視作多輪交互對話，各輪輸入為用戶問題或檢索文檔，輸出是 LLM 的推理、檢索規(guī)劃或最終答案。

3.2 訓(xùn)練

為賦予任意 LLM 迭代檢索自主決策能力，我們選用標(biāo)準(zhǔn)監(jiān)督微調(diào)策略。依公式 ：

計(jì)算交叉熵?fù)p失，通過反向傳播優(yōu)化模型參數(shù)，使模型學(xué)習(xí)到精準(zhǔn)的決策模式與推理邏輯，提升在迭代檢索任務(wù)中的性能表現(xiàn)。

3.3 推理

4.實(shí)驗(yàn)

4.1 實(shí)驗(yàn)設(shè)置

本研究聚焦 Auto-RAG 于問答（QA）任務(wù)應(yīng)用，涵蓋開放域 QA與多跳 QA領(lǐng)域。

為訓(xùn)練 Auto-RAG，我們以 Natural Questions（NQ）和 2WikiMultihopQA（2Wiki）兩個(gè)代表性數(shù)據(jù)集為藍(lán)本，精心合成 10,000 條基于推理的指令。選用 Llama-3-8B-Instruct 塑造推理過程，Qwen1.5-32B-Chat 構(gòu)建改寫查詢，隨后用合成指令對 Llama-3-8B-Instruct 微調(diào)五輪，強(qiáng)化其迭代檢索自主決策能力。訓(xùn)練數(shù)據(jù)迭代次數(shù)分布如圖 2 所示，呈現(xiàn)出一定規(guī)律，為模型性能評估與優(yōu)化提供數(shù)據(jù)洞察。

評估環(huán)節(jié)，我們橫跨 NQ、2Wiki、TriviaQA（TQA）、PopQA（PQA）、HotpotQA（HQA）和 WebQuestions（WQ）六個(gè)數(shù)據(jù)集展開嚴(yán)格測試，采用 E5-base-v2 作檢索器，以 2018 年 12 月 Wikipedia 數(shù)據(jù)轉(zhuǎn)儲為檢索語料庫，遵循標(biāo)準(zhǔn)報(bào)告結(jié)果與指標(biāo)，NQ、TQA、WQ 用精確匹配（EM），2Wiki、PQA、HQA 用 F1 分?jǐn)?shù)，各數(shù)據(jù)集超參數(shù)詳情于附錄 B 完整呈現(xiàn)，確保實(shí)驗(yàn)設(shè)置科學(xué)合理、結(jié)果可比可靠。

4.2 基線方法

基線設(shè)置全面涵蓋無檢索（Naive Gen）、單次檢索與多次檢索（迭代檢索）方法：

無檢索基線（Naive Gen）：以 Llama-3-8B-Instruct 零樣本設(shè)置評估性能，展現(xiàn)模型自身知識儲備應(yīng)對問答任務(wù)的水平，為對比檢索增強(qiáng)策略效果提供基礎(chǔ)參照。

單次檢索基線：過程優(yōu)勢，多維度剖析單次檢索性能邊界與提升方向。對比 RECOMP-abstractive 和 Selective-Context 在上下文選擇優(yōu)化的成果、REPLUG 對生成器性能提升成效，以及 IRCoT閱讀解釋檢索文檔時(shí)思維鏈（CoT）

多次檢索基線（迭代檢索）：將 Auto-RAG 與 FLARE、Iter-RetGen、Self-RAG 對比。前兩者分別依賴手動(dòng)定義檢索內(nèi)容與規(guī)則判定檢索時(shí)機(jī)，Self-RAG 靠預(yù)測反思標(biāo)記決定檢索與評估結(jié)果質(zhì)量，Auto-RAG 則憑借自主推理決策脫穎而出，凸顯智能自主檢索優(yōu)勢。

4.3 主要結(jié)果

表 1 展示六個(gè)基準(zhǔn)測試結(jié)果，Auto-RAG 在各數(shù)據(jù)集表現(xiàn)優(yōu)異，超越其他迭代檢索方法。與 Iter-RetGen 相比，其擺脫手動(dòng)定義檢索內(nèi)容與次數(shù)依賴；相對 FLARE，突破預(yù)定義規(guī)則限制，自主決策檢索時(shí)機(jī)與內(nèi)容，精準(zhǔn)高效；相較于 Self-RAG，融入迭代推理機(jī)制，決策更精細(xì)合理，優(yōu)化檢索策略應(yīng)對復(fù)雜任務(wù)，在六個(gè)基準(zhǔn)測試中成績斐然，有力證明其在問答任務(wù)中的卓越性能與領(lǐng)先地位，為知識檢索與答案生成樹立新標(biāo)桿。

5.分析

5.1 對問題和檢索器的強(qiáng)適應(yīng)性

實(shí)際應(yīng)用中，問題復(fù)雜度與檢索文檔長度差異顯著，檢驗(yàn) Auto-RAG 適應(yīng)性至關(guān)重要。分析多數(shù)據(jù)集不同檢索文檔數(shù)量下 Auto-RAG 迭代比例與性能：

迭代次數(shù)自適應(yīng)調(diào)整：如圖 3，單跳 QA 任務(wù) NQ 和 TriviaQA 首輪迭代終止比例高于多跳 QA 任務(wù) HotpotQA，因單跳任務(wù)信息需求相對簡單，模型能快速判定檢索充分性。且隨每輪檢索文檔增多，首輪迭代終止比例上升，表明模型依信息充足度靈活調(diào)控迭代次數(shù)，如信息充裕則速決，不足則持續(xù)檢索，智能適配任務(wù)需求。

文檔數(shù)量影響性能：圖 4 顯示不同文檔數(shù)量影響 QA 性能，在三個(gè)任務(wù)中，每輪提供三篇文檔時(shí)效果佳，揭示合適文檔量對模型性能提升關(guān)鍵作用，為檢索器設(shè)置與檢索策略優(yōu)化指引方向，確保模型輸入信息質(zhì)與量平衡。

對比無檢索（Naive Gen）和 Standard RAG，Auto-RAG 性能卓越且波動(dòng)小，穩(wěn)健應(yīng)對檢索器差異，為復(fù)雜多變實(shí)際應(yīng)用筑牢可靠性能根基。

5.2 消融研究

通過消融實(shí)驗(yàn)深度驗(yàn)證 Auto-RAG 訓(xùn)練、迭代推理與數(shù)據(jù)構(gòu)建環(huán)節(jié)關(guān)鍵作用：

訓(xùn)練成效顯著：經(jīng)訓(xùn)練的 Auto-RAG 相較以少樣本提示合成數(shù)據(jù)引導(dǎo)的未訓(xùn)練模型優(yōu)勢盡顯。未訓(xùn)練模型在問答任務(wù)中常陷入困境，因依賴少樣本提示致使推理過程生硬、缺乏靈活性，額外推理開銷巨大。而訓(xùn)練后的 Auto-RAG 憑借微調(diào)學(xué)習(xí)，精準(zhǔn)捕捉數(shù)據(jù)深層特征與邏輯關(guān)聯(lián)，將知識深度內(nèi)化于模型架構(gòu)，構(gòu)建高效檢索決策體系，有力消除少樣本局限，在復(fù)雜問答情境下迅速定位關(guān)鍵知識，大幅提升答案準(zhǔn)確性與完整性，彰顯訓(xùn)練對模型迭代檢索能力進(jìn)階的核心驅(qū)動(dòng)價(jià)值。

迭代推理賦能：對比直接依檢索文檔生成答案的模型，融入迭代推理的 Auto-RAG 在解決復(fù)雜問題時(shí)效果提升顯著。缺乏推理環(huán)節(jié)的模型面對多跳、邏輯嵌套問題時(shí)易迷失方向，誤判信息關(guān)聯(lián)，答案質(zhì)量參差不齊。Auto-RAG 的迭代推理機(jī)制似智慧導(dǎo)航，逐輪剖析問題、精準(zhǔn)甄別信息需求、動(dòng)態(tài)優(yōu)化檢索策略。如在科學(xué)知識問答中，面對多因素交織難題，Auto-RAG 層層推理、抽絲剝繭，挖掘知識間微妙聯(lián)系，直至構(gòu)建完整邏輯鏈條解答問題，有力印證推理環(huán)節(jié)對提升模型復(fù)雜任務(wù)處理能力的關(guān)鍵意義，契合推理提升模型能力的理論預(yù)期。

數(shù)據(jù)構(gòu)建優(yōu)勢：在數(shù)據(jù)合成環(huán)節(jié)，零樣本查詢改寫方法遠(yuǎn)超少樣本查詢精煉。少樣本查詢精煉受樣本數(shù)量與分布制約，易陷入局部最優(yōu)陷阱，生成查詢趨同、覆蓋范圍窄。零樣本方法擺脫樣本束縛，基于語義理解與知識泛化動(dòng)態(tài)生成多元查詢。如歷史事件檢索中，能從不同視角時(shí)段構(gòu)建查詢，大幅提升檢索全面性精準(zhǔn)度，為模型挖掘深層知識、優(yōu)化答案創(chuàng)造豐富信息源，充分展現(xiàn)數(shù)據(jù)構(gòu)建策略優(yōu)化對提升 Auto-RAG 整體性能的深遠(yuǎn)影響。

5.3 數(shù)據(jù)縮放

系統(tǒng)探究 Auto-RAG 在不同指令數(shù)量訓(xùn)練下性能演變規(guī)律，將訓(xùn)練數(shù)據(jù)量從 0.1k 精細(xì)拓展至 10k 并于問答任務(wù)評估。實(shí)驗(yàn)數(shù)據(jù)（圖 7）清晰顯示：約 0.5k 數(shù)據(jù)量時(shí)，模型初獲自主檢索能力萌芽，此階段模型似懵懂學(xué)徒，依據(jù)有限指令初步構(gòu)建知識檢索框架，嘗試探索信息海洋，雖檢索決策稍顯稚嫩，但已具備應(yīng)對簡單問答基礎(chǔ)能力，開啟智能檢索征程第一步。隨數(shù)據(jù)量穩(wěn)步攀升，模型性能呈持續(xù)上揚(yáng)態(tài)勢。豐富數(shù)據(jù)為模型注入知識養(yǎng)分，助其深化語義理解、拓展知識視野、強(qiáng)化邏輯推理，精準(zhǔn)洞察問答任務(wù)復(fù)雜模式與微妙語境差異。于海量歷史文獻(xiàn)問答中，大量數(shù)據(jù)使模型精準(zhǔn)解析時(shí)代背景、人物關(guān)系及事件脈絡(luò)，優(yōu)化檢索路徑、精準(zhǔn)篩選關(guān)鍵知識片段，大幅提升答案準(zhǔn)確性與權(quán)威性，為模型性能與數(shù)據(jù)規(guī)模間緊密關(guān)聯(lián)提供有力量化支撐，指引模型訓(xùn)練資源高效配置與性能深度優(yōu)化方向。

5.4 一般任務(wù)性能

為全面度量 Auto-RAG 通用任務(wù)處理實(shí)力，精心擇取多領(lǐng)域權(quán)威基準(zhǔn)測試，涵蓋 AI2 推理挑戰(zhàn)、考試閱讀理解數(shù)據(jù)集、對抗生成場景及開放圖書問答等。實(shí)驗(yàn)結(jié)果（表 2）表明，Auto-RAG 在 ARC 與 SWAG 任務(wù)中成績耀眼、進(jìn)步顯著。經(jīng)合成數(shù)據(jù)專項(xiàng)訓(xùn)練，LLMs 推理內(nèi)核深度強(qiáng)化，賦予 Auto-RAG 應(yīng)對對抗任務(wù)復(fù)雜挑戰(zhàn)卓越智慧。于 ARC 任務(wù)邏輯迷宮里，面對環(huán)環(huán)相扣推理難題，Auto-RAG 運(yùn)用知識檢索銳眼捕捉關(guān)鍵線索，憑借嚴(yán)密邏輯思維熔爐錘煉答案，精準(zhǔn)拆解迷惑陷阱、嚴(yán)密推導(dǎo)正確結(jié)論，展現(xiàn)強(qiáng)大邏輯推理與知識運(yùn)用協(xié)同能力；在 SWAG 對抗戰(zhàn)場，面對誤導(dǎo)干擾，Auto-RAG 依深厚知識儲備與靈動(dòng)應(yīng)變智慧，精準(zhǔn)剖析語境語義、敏銳識破陷阱偽裝，生成合理答案，凸顯強(qiáng)大泛化能力與環(huán)境適應(yīng)韌性，為處理跨領(lǐng)域復(fù)雜任務(wù)筑牢堅(jiān)實(shí)能力根基，拓展人工智能技術(shù)應(yīng)用邊界。

5.5 效率

對比 Auto-RAG 與 FLARE、Self-RAG 效率（圖 8），F(xiàn)LARE 困于手動(dòng)規(guī)則桎梏，檢索修訂流程機(jī)械、應(yīng)變遲緩，檢索低概率成分時(shí)資源消耗大、效率低迷；Auto-RAG 以自主智能決策為引擎，動(dòng)態(tài)規(guī)劃檢索軌跡，性能卓越、檢索次數(shù)精簡、處理速度飆升。Self-RAG 處理短問答時(shí)逐個(gè)文檔孤立生成答案與反思，忽視文檔關(guān)聯(lián)協(xié)同，檢索次數(shù)盲目依賴輸出長度，耗時(shí)費(fèi)力且易陷入局部最優(yōu)；Auto-RAG 依問題復(fù)雜度與知識關(guān)聯(lián)度智能調(diào)配迭代節(jié)奏，如敏銳獵手精準(zhǔn)捕獲關(guān)鍵知識，高效生成優(yōu)質(zhì)答案，于各數(shù)據(jù)集性能與效率指標(biāo)優(yōu)勢盡顯（圖 8），于實(shí)際問答場景中大幅提升用戶信息獲取時(shí)效，重塑智能問答效率典范。

5.6 案例研究

深入對比 Auto-RAG 與 Self-RAG 案例（圖 9），Self-RAG 對檢索文檔獨(dú)立處理、孤立評估反思，選最高分答案策略弊端顯著。處理復(fù)雜問題時(shí)，因未考量文檔內(nèi)在邏輯關(guān)聯(lián)，易被無關(guān)信息誤導(dǎo)，當(dāng)文檔皆無關(guān)時(shí)，無法主動(dòng)拓展搜索糾錯(cuò)，致答案可靠性受損；Auto-RAG 以自主決策為智慧中樞，依知識價(jià)值動(dòng)態(tài)導(dǎo)航檢索路徑，遇無關(guān)文檔冷靜篩選、持續(xù)探索，直至掘取關(guān)鍵知識點(diǎn)亮答案燈塔。且 Auto-RAG 以自然語言清晰闡釋推理脈絡(luò)，Self-RAG 反射令牌式反思晦澀難懂。如剖析文學(xué)作品深層寓意問答場景，Auto-RAG 以流暢自然語言引領(lǐng)用戶漫步推理之路，Self-RAG 則令用戶于符號迷宮中迷茫，Auto-RAG 大幅提升交互可解釋性與用戶體驗(yàn)，開啟智能交互新紀(jì)元。

6.結(jié)論

在這篇論文中，我們介紹了 Auto-RAG，這是一個(gè)以大型語言模型強(qiáng)大的決策能力為核心的自主迭代檢索模型。Auto-RAG 通過多輪對話與檢索器進(jìn)行交互，系統(tǒng)地規(guī)劃檢索并優(yōu)化查詢以獲取有價(jià)值的知識，直到獲得足夠的外部信息，此時(shí)將結(jié)果呈現(xiàn)給用戶。為此，我們開發(fā)了一種在迭代檢索中自主合成基于推理的決策指令的方法，并對最新的開源大型語言模型進(jìn)行了微調(diào)。分析結(jié)果表明，Auto-RAG 不僅實(shí)現(xiàn)了出色的性能，還保持了高度的可解釋性，為用戶提供了更直觀的體驗(yàn)。

本文轉(zhuǎn)載自 ??AIGC前沿技術(shù)追蹤??，作者： 喜歡學(xué)習(xí)的小仙女