Auto-RAG开源，复杂多跳问题就这么解决了~

文章预览

Auto-RAG 是一个以 LLM 强大的决策能力为核心的自主迭代检索模型，通过多轮对话的方式建立 LLM 与检索者之间的交互模型，通过迭代推理确定何时检索信息、检索什么内容，在获得足够的外部知识后停止迭代，并将答案提供给用户。 一个具体的例子展示了Auto-RAG如何处理复杂的多跳问题 。Auto-RAG进行迭代推理，策略性地规划检索，提取相关知识，精确识别信息需求，并为下一次检索细化查询，最终收敛到最终答案。在这个例子中，Auto-RAG在与检索器交互五次后终止，成功得出正确答案。 Auto-RAG  GUI 交互 ：提供可部署的用户交互界面，输入问题后，Auto-RAG 会自动与检索器进行交互，无需人工干预。用户可以选择是否显示 Auto-RAG 与检索器交互的详细信息。 Auto-RAG模型的技术细节，包括数据构建、训练过程和推理方法： 1 基于推理的迭代检索 迭代检索过 ………………………………