大型言语模型（LLMs）在多种义务中体现杰出，但存在诸如幻觉（hallucinations）、期间错位（temporal misalignments）、高低文处置疑问和微调效率低上等应战。为了处置这些疑问，钻研人员经过检索增强型生成（RAG）方法，将外部常识源与LLMs联合，清楚提高了复杂疑问的准确回答才干。传统的RAG架构包含检索模块和阅读模块，但存在 检索品质低下 和 生成无法靠答案 的疑问。
ERAGent（Enhanced RAG Agent） 框架提出了几个主要改良：
ERAGent全体框架
RAGent经过这些模块的协同操作，提供了一个先进的原型，以确保在实践场景中运行的方便性和有效性。
经过在 六个数据集 和 三类问答义务 （ 单轮、单轮多跳、多会话多轮问答 ）上的严厉评价，ERAGent在 准确性、效率和共性化方面体现杰出 ，强调了其推动RAG畛域和实践系统运行的后劲。
单轮开明畛域问答义务中回答准确性的评价目的
单轮多跳问答义务中回答准确性的评价目的
两团体工自动助手： 没有用户画像的ERAGent （助手A）和 有用户画像的ERAGent （助手B）对一个用户提出的疑问“给我一个增肌的饮食倡导”的回答。用户画像是从历史对话会话中总结进去的。评价： 助手B的回答更贴近用户的画像 ，经过特意处置用户的环保疑问、饮食限度（防止牛肉和牛奶），以及团体偏好（对机器学习和环保的兴味，以及是夜猫子）。
在 多会话多轮问答（MSMTQA：Multi-Session Multi-Round QA） 数据集上，助手B和助手A的回答在一切类别中的成对比拟结果
照应效率和品质目的与相似性阈值 τ 的相关
Enhancing Retrieval-Augmented Language Models with Improved Accuracy, Efficiency, a