检索增强生成的反馈适应
计算与语言
2026-04-17 v2
摘要
检索增强生成（Retrieval-Augmented Generation, RAG）系统通常在静态假设下进行评估，尽管在实际部署中经常通过用户或专家反馈进行纠正。现有评估协议关注整体准确率，未能捕捉反馈引入后的系统适应方式。我们提出反馈适应作为 RAG 系统的一个问题设置，即纠正性反馈如何有效且快速地传递至后续查询。为使此行为可衡量，我们提出两个评估轴向：一种是校正滞后（correction lag），衡量反馈提供与行为变化之间的延迟；另一种是反馈后性能（post-feedback performance），衡量反馈后在语义相关查询上的可靠性。通过这些指标，我们展示训练性方法在延迟校正与可靠适应之间存在权衡。我们进一步提出 PatchRAG，一种在不重新训练的情况下纳入反馈的最小推理时间实例，证明其在所提评估框架下实现即时校正和强大的反馈后泛化。我们的结果突显反馈适应是交互式环境中 RAG 系统行为的一个被忽视的维度。
引用
@article{arxiv.2604.06647,
title = {Feedback Adaptation for Retrieval-Augmented Generation},
author = {Jihwan Bang and Seunghan Yang and Kyuhong Shim and Simyung Chang and Juntae Lee and Sungha Choi},
journal= {arXiv preprint arXiv:2604.06647},
year = {2026}
}
备注
Accepted at ACL 2026 Findings