医学问答中的代理人驱动讨论：提升 RAG 的方法
计算与语言
2025-05-01 v1
摘要
医学问答（Medical question answering, QA）是一个需要推理的任务，由于幻觉和知识陈旧，大语言模型（LLM）往往难以胜任。检索增强生成（Retrieval-Augmented Generation, RAG）通过利用外部知识提供了一种具有前景的微调解决方案。然而，现有的医学 RAG 系统存在两个关键局限性：（1）在信息检索期间缺乏对人类类推行为的建模，（2）依赖次优医学语料库，常常导致检索到不相关或噪声丰富的片段。为克服这些挑战，我们提出了 Discuss-RAG，一个即插即用的模块，通过基于代理人的协作推理来增强医学 QA RAG 系统。我们的方法引入了一个概述员代理人来协调一组医学专家，模拟多轮头脑风暴，从而提高检索内容的相关性。此外，还有一个决策代理人在最终集成之前评估检索到的片段。实验结果表明，在四个医学 QA 基准数据集上，Discuss-RAG 均一致优于 MedRAG，尤其在 BioASQ 上将答案准确率提升了最高可达 16.67%，在 PubMedQA 上提升了 12.20%。代码已公开：https://github.com/LLM-VLM-GSL/Discuss-RAG。
引用
@article{arxiv.2504.21252,
title = {Talk Before You Retrieve: Agent-Led Discussions for Better RAG in Medical QA},
author = {Xuanzhao Dong and Wenhui Zhu and Hao Wang and Xiwen Chen and Peijie Qiu and Rui Yin and Yi Su and Yalin Wang},
journal= {arXiv preprint arXiv:2504.21252},
year = {2025}
}