面向中文藏医学问答的可追溯跨源检索增强生成
人工智能
2026-02-11 v2
摘要
检索增强生成（RAG）承诺实现可靠的问答，但在存在多个异构知识库（KBs）的领域设置中仍面临挑战。在中文藏医学中，百科条目常稠密且易于匹配，这可能会主导检索，即使经典文献或临床论文提供更权威的证据。我们研究了包含三个知识库（百科、经典和临床论文）的实际场景，涵盖500个查询（截断K=5），覆盖单知识库和跨知识库问题。我们提出两种互补的方法以提高可追溯性，减少幻觉，并实现跨知识库验证。首先，DAKS执行知识库路由和预算分配检索，以缓解稠密性驱动的偏见，并在必要时优先选择权威来源。其次，我们使用对齐图指导证据融合和覆盖感知打包，提高跨知识库证据覆盖率，而无需依赖简单的拼接。所有答案都由轻量级生成器\textsc{openPangu-Embedded-7B}生成。实验显示，路由质量和跨知识库证据覆盖率均实现了一致的提升，完整系统在保持强大的忠实性和引用正确性的同时，实现了最佳的CrossEv@5。
引用
@article{arxiv.2602.05195,
title = {Traceable Cross-Source RAG for Chinese Tibetan Medicine Question Answering},
author = {Fengxian Chen and Zhilong Tao and Jiaxuan Li and Yunlong Li and Qingguo Zhou},
journal= {arXiv preprint arXiv:2602.05195},
year = {2026}
}