RAG-E：量化检索-生成器对齐与失效模式
计算与语言
2026-01-30 v1
摘要
检索增强生成（RAG）系统将稠密检索器与语言模型组合，以检索文档 grounding LLM 输出。然而，这些组件交互的不透明性在高风险领域部署中造成了挑战。我们提出 RAG-E，一个端到端可解释框架，通过数学方法论量化检索-生成器对齐。我们的方法为检索器分析适配集成梯度（Integrated Gradients），引入 PMCSHAP——一种蒙特卡罗稳定的Shapley 值近似，用于生成器归因，并引入加权归因-相关性间隙（WARG）指标，以衡量生成器的文档使用与检索器排序排名的对齐程度。在 TREC CAsT 和 FoodSafeSum 上的经验分析揭示了关键失效模式：对于 47.4% 到 66.7% 的查询，生成器忽略检索器的 top-ranked 文档，而 48.1% 到 65.9% 的查询依赖于被排名为不那么相关的文档。这些失效模式表明，RAG 输出质量不仅取决于单个组件的性能，还取决于它们的相互作用，这可以通过 RAG-E 进行审计。
引用
@article{arxiv.2601.21803,
title = {RAG-E: Quantifying Retriever-Generator Alignment and Failure Modes},
author = {Korbinian Randl and Guido Rocchietti and Aron Henriksson and Ziawasch Abedjan and Tony Lindgren and John Pavlopoulos},
journal= {arXiv preprint arXiv:2601.21803},
year = {2026}
}