如何为FutureG发现知识：面向O-RAN的情境RAG与LLM提示
网络与互联网体系结构
2026-01-07 v1 人工智能
信息检索
机器学习
摘要
我们提出了一种用于5G/6G网络的检索增强问答框架，其中开放式无线接入网络（O-RAN）已成为实现去中心化、虚拟化和AI驱动无线系统的核心。虽然O-RAN促进了多厂商互操作性和云原生部署，但其快速变更的规范和接口为研究者和实践者带来了重大挑战。手动浏览这些复杂文档耗时且容易出错，减缓了系统设计、集成和部署。为此，我们采用情境检索增强生成（Contextual RAG）策略，其中候选答案指导文档检索，并提供特定块的上下文，以提高大语言模型（LLM）的性能。相较于传统RAG方法，本框架实现了更精准、更具上下文感知的检索，提高了传递给LLM的文档相关性，尤其在查询本身缺乏足够上下文以进行准确 grounding 时效果更为显著。该框架设计用于数据快速变化且模型需持续更新或重新部署的动态领域，无需进行LLM微调。我们使用ORANBenchmark-13K数据集进行评估，比较了Llama3.2、Qwen2.5-7B和Qwen3.0-4B三种LLM，分别采用直接问答（Direct Q&A）和链式思维（Chain-of-Thought, CoT）提示策略。结果表明，情境RAG在准确率上持续优于标准RAG和基础提示方法，同时保持竞争的运行时性能和CO2排放。这些结果凸显了情境RAG作为5G/6G环境下领域特定问答可扩展且有效解决方案的潜力，使其能够在保持效率和可持续性的同时，实现对演进标准的更准确解读。
引用
@article{arxiv.2601.02382,
title = {How to Discover Knowledge for FutureG: Contextual RAG and LLM Prompting for O-RAN},
author = {Nathan Conger and Nathan Scollar and Kemal Davaslioglu and Yalin E. Sagduyu and Sastry Kompella},
journal= {arXiv preprint arXiv:2601.02382},
year = {2026}
}