表征与分析检索增强生成技术
Characterising and Analysing Retrieval-Augmented Generation Techniques
精选理由
提出RAG技术分类与评估框架，帮助研究者按任务需求高效筛选方案，降低实验成本。
AI 摘要
arXiv:2610.23226v1 公告类型：cross 摘要：大型语言模型（LLMs）在众多应用领域中的兴起，增加了对检索增强生成（RAG）的需求，以减少幻觉并提升 LLM 的性能。迄今为止，文献中已提出多种具有出色特性和能力的 RAG 技术，这使得针对特定问题场景选择最合适的 RAG 技术成为一项艰巨任务。因此，我们提出了一个概念框架，该框架包含主要维度和子维度，用于表征（定义“它是什么”）和分析（定义“它表现得有多好”）现有的 RAG 技术。该概念框架通过对文献中报告的 RAG 技术属性进行定性分析而构建。在对 RAG 技术进行经验基准测试之前，该框架可作为一种经验前筛选机制，帮助研究人员和实践者选择最符合特定用户需求和任务要求的 RAG 候选方案，因为 RAG 技术的经验基准测试可能在计算和财务方面成本高昂。