AirRAG：基于蒙特卡洛树搜索的自主战略规划与推理驱动的检索增强生成
人工智能
2025-08-28 v3
摘要
利用大型语言模型（LLM）的自主决策能力在推理任务中展现出卓越的性能。然而，尽管迭代或智能体检索增强生成（RAG）技术取得了成功，这些方法在面对复杂问题时往往受限于单一的解空间。本文提出一种新颖的RAG思考模式，将自主战略规划与高效推理动作相结合，通过蒙特卡洛树搜索（MCTS）显著激发内在推理能力，并通过扩展特定任务的解空间来实现。具体而言，我们的方法设计了五种基本推理动作，并利用MCTS将其扩展为广泛的基于树状结构的推理空间。该方法还融入自我一致性验证，以探索潜在的推理路径和推理规模。此外，还采用计算上最优的策略来分配更多的推理资源给关键动作，从而提升整体性能。实验结果表明，AirRAG有效果，在复杂问答数据集上实现显著的性能提升。此外，AirRAG灵活轻量，便于与其他先进技术和模型集成。
引用
@article{arxiv.2501.10053,
title = {AirRAG: Autonomous Strategic Planning and Reasoning Steer Retrieval Augmented Generation},
author = {Wenfeng Feng and Chuzhan Hao and Yuewei Zhang and Guochao Jiang and Jingyi Song and Hao Wang},
journal= {arXiv preprint arXiv:2501.10053},
year = {2025}
}
备注
20 pages, EMNLP25 Accepted