大型语言模型（LLMs）在多种任务中表现出色，但存在诸如幻觉（hallucinations）、时间错位（temporal misalignments）、上下文处理问题和微调效率低下等挑战。为了解决这些问题，研究人员通过检索增强型生成（RAG）方法，将外部知识源与LLMs结合，显著提高了复杂问题的准确回答能力。传统的RAG架构包括检索模块和阅读模块，但存在 检索质量低下 和 生成不可靠答案 的问题。
ERAGent（Enhanced RAG Agent） 框架提出了几个关键改进：
ERAGent整体框架
RAGent通过这些模块的协同操作，提供了一个先进的原型，以确保在实际场景中应用的便捷性和有效性。
通过在 六个数据集 和 三类问答任务 （ 单轮、单轮多跳、多会话多轮问答 ）上的严格评估，ERAGent在 准确性、效率和个性化方面表现出色 ，强调了其推进RAG领域和实际系统应用的潜力。
单轮开放领域问答任务中回答准确性的评估指标
单轮多跳问答任务中回答准确性的评估指标
两个人工智能助手： 没有用户画像的ERAGent （助手A）和 有用户画像的ERAGent （助手B）对一个用户提出的问题“给我一个增肌的饮食建议”的回答。用户画像是从历史对话会话中总结出来的。评价： 助手B的回答更贴近用户的画像 ，通过特别解决用户的环保问题、饮食限制（避免牛肉和牛奶），以及个人偏好（对机器学习和环保的兴趣，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的回答在所有类别中的成对比较结果
响应效率和质量指标与相似性阈值 τ 的关系
Enhancing Retrieval-Augmented Language Models with Improved Accuracy, Efficiency, a