基于RAG的多源检索问答框架--MSRAG

文章预览

大规模语言模型（LLMs）已成为日常信息检索的必备工具，但受限于预训练阶段获取的知识，缺乏实时更新能力。 RAG技术可以通过整合外部知识库与生成模型的能力，提高问答的准确性和相关性。 但是 现有RAG存在局限性，如检索文档可能与查询不完全相关，导致错误信息或不一致性； 若未检索到相关内容，模型可能编造答案或生成不准确响应。 MSRAG通过整合网络检索和GPT检索，有效减少了检索信息中的噪声，并通过语义分割问题提高了检索信息的粒度和相关性。 1 工作流程 首先使用GPT-3.5对原始问题进行语义分割，生成三个最相关且不重复的子问题，并进行网络检索。 利用GPT-3.5的强大推理能力，对检索到的信息进行汇总和总结，得到Web信息。 对于复杂多步骤问题，使用GPT-3.5替代传统搜索引擎，生成与查询相关的搜索信息，得到GPT信息。 将Web信 ………………………………