我要投稿

ERRR：基于参数知识的查询优化框架，增强RAG系统的准确性

发布日期：2024-12-12 22:42:23 浏览次数： 1875

作者：AI 搜索引擎

微信搜一搜，关注“AI 搜索引擎”

今天分享的是解决检索增强生成系统中预检索信息差距的一个方法：ERRR。

论文链接: https://arxiv.org/pdf/2411.07820v1

01

简介

随着大型语言模型（LLM）在自然语言处理领域的广泛应用，检索增强生成（RAG）技术被提出，以解决LLM知识局限性导致的“幻觉”问题。RAG系统通过检索外部知识库来增强LLM的知识，从而生成更准确、更相关的答案。

然而，现有的RAG系统存在一个关键问题：预检索信息差距。原始用户查询检索到的信息与生成准确答案所需信息之间存在差距，导致LLM无法生成准确的答案。现有的RAG系统主要采用查询重写方法来缩小预检索信息差距，例如Rewrite-Retrieve-Read（RRR）框架。RRR框架通过训练一个查询重写模块，将原始用户查询重写为更准确的查询，从而检索到更相关的文档。然而，RRR框架主要关注查询重写，而忽略了LLM的特定知识需求，导致查询重写的效果有限。

为了解决预检索信息差距问题，文章提出了Extract-Refine-Retrieve-Read（ERRR）框架。与RAG中使用的传统查询优化技术不同，ERRR框架首先从LLM中提取参数化知识，然后使用专门的查询优化器对这些查询进行精炼。这个过程确保了仅检索生成准确响应所需的最相关信息。在多个问答数据集和检索系统上的实验结果表明，ERRR框架在准确性和效率方面都优于现有的RAG系统，包括RRR框架。

02

框架

ERRR 的整体框架如上图 (iii) 所示，其主要由参数知识提取 (Parametric Knowledge Extraction)、查询优化 (Query Optimization)、检索 (Retrieval) 和生成 (Generation) 这四部分组成。下面详细介绍每一组成部分。

1. 参数知识提取 (Parametric Knowledge Extraction):

目标：从LLM中提取与原始查询相关的参数知识，以便为后续的查询优化提供重要的上下文信息基础。
方法：使用直接提示，让LLM生成包含与原始查询相关的背景信息的伪上下文文档。

2. 查询优化 (Query Optimization):

目标：根据参数知识和LLM的特定知识需求，生成一个或多个经过优化的查询，其能更准确地反映LLM的知识需求和用户的查询意图，以便检索到更相关的文档。
方法：使用LLM作为查询优化器，并通过提示生成优化查询。此外，为了提高灵活性和降低计算成本，文章还提出了一个可训练的方案，该方案使用一个较小的可调整模型作为查询优化器，并通过知识蒸馏从大型教师模型中进行精炼。

3. 检索 (Retrieval):

目标：根据优化查询检索相关文档，作为LLM生成答案的依据。
方法：为了提高框架在各种检索系统和数据源之间的适应性，该框架提供了两种不同的检索系统。

Web 搜索工具: 例如 Google 或 Brave Web Search Engine。
本地密集检索系统: 例如 Dense Passage Retrieval (DPR)。

4. 生成 (Generation):

目标：使用LLM根据检索到的文档和原始查询生成最终答案。
方法：使用指令提示与示例性提示，让LLM生成最终答案：

指令性‍提示：直接告诉LLM阅读器使用检索到的文档和原始查询来生成答案。
示例性提示：为每个数据集，提供几个示例，说明如何使用检索到的文档和原始查询来生成答案，以保持对LLM对不同任务的特定输出格式的控制。

03

总结

Extract-Refine-Retrieve-Read (ERRR)框架是一种旨在提升RAG性能的架构。ERRR框架通过参数知识提取和查询优化技术，有效地解决了预检索信息差距问题，显著提高了RAG系统的准确性和效率。ERRR框架为RAG技术的发展和应用提供了新的思路和方法。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-06-15

如何创建具有自我评估机制的Agent RAG

2025-06-15

RAG效果炸裂，亲测EasyDoc文档解析，结构化输出太香了

2025-06-14

一分钟读懂RAG的切分策略

2025-06-14

RAG-embedding篇

2025-06-14

RAG 信息检索：如何让模型找到‘对的知识’

2025-06-14

什么是RAG？一文搞懂检索增强生成技术

2025-06-14

AI开发实战：解决RAG的召回不准问题

2025-06-13

揭开RAG的神秘面纱：90%的人不知道腾讯IMA底层原理

了解更多

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

通义QwQ-32B+Milvus，消费级显卡布满血大模型与RAG的时代来了！

2025-03-21

RAG检索增强之Reranker重排序模型详解！

2025-03-20

大模型 RAG 终极指南：信息检索 + 文本向量化 + BGE-M3 实践全解析！

2025-03-24

MCP、RAG、Agent之间的概念和关系，被我和AI协作的12张图总结了

2025-03-24

AI Agent 记忆技术浅析

2025-03-19

一个能给大模型加上“记忆”的工具，让 AI 助手更懂你，Star 26K+！

2025-03-24

Ragflow技术栈分析及二次开发指南

2025-03-28

让模型更懂你的业务！RAG原理和解决方案解析

2025-04-01

RAG 开发实例

2025-03-23

本地化大模型接入RagFlow错误记录

2025-04-13

大家都在问

从零开始学 Dify - Dify 的 RAG 系统如何有效地处理和检索大量文档？

2025-06-13

通过 RAG如何扩展提示词Prompting?

2025-06-09

为什么 RAG 一定需要 Rerank？

2025-06-06

RAG和向量数据库之间有什么关系?

2025-05-30

超越基础：Agentic Chunking 如何彻底改变 RAG？

2025-05-29

用Milvus构建RAG系统，N8N VS dify 如何选？

2025-05-29

【RAG】给传统企业搞AI转型，RAG项目最难啃的骨头是啥？

2025-05-23

解锁AI时代的核心通关密码——为什么你必须搞懂RAG、Agent、MCP？

2025-05-16

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB

应聘简历请发送至： ceo@53ai.com

友情链接：

CopyRight © 2012-2024 深圳市博思协创网络科技有限公司版权所有

粤ICP备17114055号

广州：广州市华景路37号(华景软件园)暨南大学科技大厦6楼（整层）

深圳：深圳市福田区泰然四路29号天安创新科技广场一期A座1204

上海：上海市浦东新区金新路58号1602室

微信扫码
和创始人交个朋友

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部