RAGentA：用于归因问答的多智能体检索增强生成
最优化与控制
2025-06-23 v1
摘要
我们提出RAGentA，一个面向归因问答（QA）的多智能体检索增强生成（RAG）框架，针对大语言模型（LLM）。为了实现可信的答案生成，RAGentA聚焦于优化答案的正确性，即覆盖度和相关性以及忠实性，后者衡量答案在检索文档的基础上的可信度。RAGentA使用多智能体架构，迭代过滤检索文档，生成带内联引用的归因答案，并通过动态细化验证完整性。该框架的核心是一种混合检索策略，结合稀疏和稠密方法，较最佳单一检索模型提升了12.5%的Recall@20，导致更准确且更有依据的答案。我们在源自FineWeb索引的合成QA数据集上评估了RAGentA，相较于标准RAG基线实现了1.09%的正确性提升和10.72%的忠实性提升。这些结果表明了我们多智能体RAG架构和混合检索策略在推动可信QA领域的进步方面的有效性。
引用
@article{arxiv.2506.16987,
title = {Non-linear estimators for the observation and stabilisation of falling liquid films},
author = {Oscar Holroyd and Radu Cimpeanu and Susana N. Gomes},
journal= {arXiv preprint arXiv:2506.16987},
year = {2025}
}
备注
22 pages, 15 figures, submitted to RS Proc A