嘿，大家好！这里是一个专一于AI智能体的频道！
当天来聊聊一篇挺无心思的论文，被langchain官网点名，很多评论介绍的文章！
Multi-Meta-RAG: Improving RAG for Multi-Hop Queries using>检索增强生成 （RAG） 支持从外部常识源检索相关消息，并准许大型言语模型 （LLM） 回答对以前看不见的文档汇合的查问。但是，钻研标明， 传统的 RAG 运行程序在回答多跳疑问方面体现不佳，这些疑问须要检索和推理支持证据的多个元素 。咱们引入了一种称为 Multi-Meta-RAG 的新方法，。虽然数据库过滤特定于来自特定畛域和格局的一组疑问，但咱们发现 Multi-Meta-RAG 极大地改善了 MultiHop-RAG 基准测试的结果。代码开源地址
引见内容之前，必定得先说下，啥是多跳疑问呢？便捷来说，就是那些须要从多个消息源中提取并推理出答案的疑问。传统的RAG技术在这方面体现得不太好，由于它很难从多个文档中找到正确的消息片段，繁多的向量很难召回出差异较大的消息源。
为了处置这个疑问，两位钻研者提出了Multi-MetaRAG方法。这个方法的**是经常使用数据库过滤和LLM提取的元数据来提高文档选用的相关性。详细来说，就是先用一个辅佐的LLM来剖析疑问，提取出疑问中的主要消息，比如资讯起源或许颁布日期，而后用这些消息作为过滤条件，去数据库里找到最相关的文档片段。
经常使用的few-shot prompt中的few-shot示例如下：
论文中经常使用了一个叫做MultiHop-RAG的基准测试数据集，这个数据集蕴含了很多多跳查问的例子。钻研者们用这个数据集来测试他们的Multi-MetaRAG方法，结果发现，无论是在文档片段的检索上，还是在LLM生成答案的准确性上，都有了清楚的优化。
最后，作者也指出了这个方法的一些局限性， 比如它须要特定畛域和格局的疑问集，还须要额外的推理期间来提取元数据 。不过，虽然有这些限度，Multi-MetaRAG还是一个便捷易懂、成果清楚的方法。
本文转载自，作者：