Auto-RAG开源，复杂多跳问题就这么解决了~

主要观点总结

Auto-RAG是一个以LLM的强大决策能力为核心的自主迭代检索模型。它通过多轮对话建立与检索者之间的交互模型，进行迭代推理并确定何时及何内容检索。在获取足够外部知识后，它将答案提供给用户。该模型通过基于推理的迭代检索、规划查询细化、数据过滤和格式化等技术实现高效和连贯的检索过程。采用监督式微调策略进行训练，并在迭代检索中自主做出基于推理的决策。实验结果表明，Auto-RAG在多个基准测试中的表现优于其他模型。

关键观点总结

关键观点1: 核心特性

以LLM的强大决策能力为核心，通过多轮对话建立与检索者之间的交互模型，进行迭代推理和检索。

关键观点2: 技术实现

基于推理的迭代检索、规划查询细化、数据过滤和格式化等技术，确保高效和连贯的检索过程。

关键观点3: 训练策略

采用监督式微调策略，计算每个实例的交叉熵损失并进行优化。

关键观点4: 性能表现

Auto-RAG在多个基准测试中的表现优于其他模型，如FLARE、Self-RAG等。