Agentic RAG Golden-Retriever：显著提升企业知识库问答准确性、检索效率！

主要观点总结

文章介绍了企业落地RAG系统时面临的挑战，特别是工程师需要快速查询和理解特定领域的专有文档的问题。文章描述了Golden-Retriever系统如何解决这些问题，包括其离线和在线的工作流程，以及该系统在问答数据集上的表现如何优于传统的RAG方法。

关键观点总结

关键观点1: 企业落地RAG系统的痛点

工程师需要快速查询和理解大量专有文档，这些文档包含技术社区特有的缩写和术语，使得导航变得复杂。

关键观点2: Golden-Retriever系统的特点

该系统在文档检索前增加了一个基于反思的问题增强步骤，用于识别术语、根据上下文澄清其含义，并相应地增强问题。

关键观点3: Golden-Retriever系统的工作流程

系统包含离线（数据预处理步骤）和在线（每次用户提问时的交互过程）两个部分。离线部分利用大型语言模型（LLM）增强文档数据库，在线部分则在用户提问时识别术语、确定上下文，然后增强问题，以便RAG框架检索最相关和准确的文档。

关键观点4: Golden-Retriever系统的评估结果

在特定领域的问答数据集上，Golden-Retriever表现出色，与传统的RAG方法相比，显著提高了答案的准确性。在测试中，Golden-Retriever与Vanilla LLM和RAG相比，分别将Meta-Llama-3-70B的总分提高了79.2%和40.7%。

文章预览

企业落地RAG系统痛点： 技术公司维护着大量的 专有文档 ，如培训材料、设计文档和研究成果。 工程师，尤其是新员工，需要 快速查询 这些文档或吸收其中的新知识。 这些领域特定的文档通常包含许多技术社区特有的 缩写和术语 ，使得导航变得复杂。 Golden-Retriever系统 ：在文档检索前增加了一个基于反思的问题增强步骤，用于识别术语、根据上下文澄清其含义，并相应地增强问题。 一个比较 Golden-Retriever 与相关工作的示意图 。两种类型的方法：离线和在线。 在左上角 ， 现有的 离线方法 使用大型语言模型(LLMs)生成 训练数据集 。右上角展示了 Golden-Retriever 离线方法 ，利用LLMs增强文档数据库，为在线阶段做准备。 在线方法 在图的下半部分描绘。从左下到右下： Corrective RAG和Self-RAG 在文档检索步骤后修改RAG的响应。如果用户的问题含糊不清或 ………………………………