评估LLMs在RAG系统中检索食品与营养语境的能力
计算与语言
2026-03-12 v2
摘要
本文评估了四个大型语言模型（LLM）在使用全面的食品成分数据库的特定检索增强生成（RAG）系统中的检索效果。我们的方法聚焦于LLM将自然语言查询翻译为结构化元数据过滤器的能力，从而通过Chroma向量数据库实现高效检索。通过在关键检索步骤上实现高准确率，我们证明了LLM可作为一种易于访问且高性能的工具，大幅减少了食品编译员和营养师等领域专家利用复杂食品和营养数据的手动 effort和技术专业知识的需求。然而，尽管在容易和中等复杂度查询上表现出色，我们对困难问题的分析揭示了在涉及不可表达约束的查询中可靠检索仍然具有挑战性。这些发现表明，LLM驱动的元数据过滤在约束可以被明确表达时表现出色，但在查询超出元数据格式表征范围时则感到困难。
引用
@article{arxiv.2603.09704,
title = {Evaluation of LLMs in retrieving food and nutritional context for RAG systems},
author = {Maks Požarnik Vavken and Matevž Ogrinc and Tome Eftimov and Barbara Koroušić Seljak},
journal= {arXiv preprint arXiv:2603.09704},
year = {2026}
}
备注
This is the preprint for our conference paper for IEEE International Conference on Big Data