1李晓鹏.pdf

1、演讲嘉宾：李晓鹏 香港城市大学超越超越RAGRAG：迈向智能体时代的：迈向智能体时代的 Agentic RAGAgentic RAG目录目录0 1RAGRAG0 2Reasoning RAGReasoning RAG0 3Agentic RAGAgentic RAG0 4总结总结&未来展望未来展望 RAGRAG扩展语言模型知识边界，提高知识时效性扩展语言模型知识边界，提高知识时效性RAG：通过外部知识解决LLM幻觉和时效性问题预训练语料库LLMsQuery：詹姆斯获取过几次NBA总冠军？詹姆斯获取过 10 次 NBA 总冠军詹姆斯获取过 3 次 NBA 总冠军直接回复+RAG詹姆斯获取过 4

2、次 NBA 总冠军2012、2013、2016、2020幻觉幻觉过时过时RAG：RAG 技术迭代QueryDocumentsRetrievalIndexingPromptLLMsoutputQueryDocumentsRetrievalIndexingPromptLLMsoutputPre-retrievalPost-retrievalRetrievalGenerationRetrievalGenerationRetrieval?RetrievalCritique?GenerationNon-RetrievalSingle-StepMulti-StepIterativeactiveadapti

3、veNaiveAdvancedModularGao Y,Xiong Y,Gao X,et al.Retrieval-augmented generation for large language models:A surveyRAG：Pipeline AdaptionCritique-basedAdaptive-basedRefection tokens：Retrieve,IsRel,IsSup,IsUseInference：-预测：是否检索，是否相关（d-q），是否支持（d-y），是否有用（y-x）-排序：Adaptive retrieval with threshold，Tree-deco

4、ding with critique tokensTraining：-Critic model：基于GPT-4标注 reflection token 数据，蒸馏到 in-house model -Generator：基于Critic model 和检索器标注 reflection token，训练生成器Asai A,Wu Z,Wang Y,et al.Self-rag:Learning to retrieve,generate,and critique through self-reflection训练分类器，根据问题复杂程度，动态选择检索策略（None,Single,Multi）提供 QA

5、系统整体效率和准确率RepE表征分解：诚实度/置信度诚实度：内部认知置信度：回答信心诚实引导：内部知识与输出对齐信心监控：动态决定是否进行检索Jeong S,et al.Adaptive-rag:Learning to adapt retrieval-augmented large language models through question complexityLiu H,et al.Ctrla:Adaptive retrieval-augmented generation via probe-guided controlRAG：Modules AlignmentRetriever Al

6、ignmentRe-ranker AlignmentMotivation：检索的文档和原始查询存在语义代沟Retriever：查询编码器+文档编码器向量召回（仅看到当前查询）Re-ranker：深度度量文档和查询的相关性（可以看到前序输出）Distillation：将 re-ranker 参数蒸馏到 retriever 中查询编码器Shao Z,et al.Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy基于 ground truth 和 query 引