AssisTRAG通过集成一个 智能信息助手 来提升LLMs处理复杂推理任务的能力。该框架由两个主要组件构成： 一个冻结的主语言模型 和 一个可训练的助手语言模型 。
AssisTRAG与之前的RAG对比
1. 组件
可以看出，相比之前的RAG，该框架主要创新点是引入一个Assistant LLM，下面详细看下助手语言模型功能。
2. AssisTRAG
AssisTRAG主要分为两个类别来处理复杂任务：记忆管理和知识管理。记忆管理涉及整合和分析来自内部内存的内容，而知识管理则侧重于利用外部知识。这两个主要功能由AssisTRAG的四个核心能力支持：
2.1 记忆管理
记忆管理模块通过存储和检索历史交互来提升主语言模型的性能。有效的记忆管理包括两个主要过程： 捕获新见解和检索先前存储的信息 。这两个过程主要有以下三个能力：
1. Action I: 笔记记录
笔记记录功能负责记录每个历史交互中的关键信息和推理模式。具体来说，给定主语言模型的历史交互（包括问题、参考答案和生成的答案），助手的任务是将答案背后的关键推理过程记入记忆槽中：
这样，所有先前问题的记忆槽累积起来形成助手的记忆，用于后续的记忆检索。
作用 ：通过记录和存储历史交互中的关键推理过程，助手能够在面对类似问题时快速检索和应用这些推理模式，从而提高回答的质量和效率。
2. Tool I: 记忆检索器
记忆检索器利用助手的记忆，根据当前问题检索历史上相关的记忆。具体来说，记忆检索器会检索与当前问题相关的历史记忆，并将其表示为：
作用 ：通过从记忆中检索相关历史记忆，助手可以为当前问题提供额外的上下文和信息，帮助主语言模型更好地理解和回答问题。
3. Plan I: 评估检索记忆的有用性
如果问题是全新的，检索到的记忆可能不仅无助于回答，还可能负面影响主语言模型的响应。因此，助手需要评估检索到的记忆是否对当前问题有帮助。具体来说，助手使用一个提示来评估检索到的记忆是否有助于回答当前问题。只有当答案是肯定的时候，检索到的记忆才会被提供给主语言模型。
实现：通过一个提示，助手评估检索到的记忆是否对当前问题有益。如果评估结果是肯定的，这些记忆槽将被提供给主语言模型。
作用 ：这一计划确保了只有相关的记忆会被提供给主语言模型，避免了无关或负面的记忆干扰回答的质量。
2.2 知识管理
知识管理涉及以下四个能力：
1. 动作 II：问题分解
2. 工具 II：知识检索器
3. 动作 III：知识提取
4. 计划 II：评估提取知识的相关性
2.3 AssisTRAG 训练
AssisTRAG 的训练过程分为 课程助理学习和强化偏好优化 两个阶段。课程学习阶段通过逐步增加任务复杂性来提升助手在 RAG 过程中的技能。强化偏好优化阶段则通过根据主 LLM 的反馈调整助手的输出，确保助手提供的帮助更加贴合主 LLM 的需求。
2.4 AssisTRAG 推理
AssisTRAG 通过三个步骤启动其推理过程：
1. 信息检索与整合
在这个初始阶段，AssisTRAG 首先激活 Action II 来理解主 LLM 的信息需求。然后，它使用 Tool I 和 Tool II 分别从内部记忆和外部知识库中检索相关信息。接着，它调用 Action III 从检索到的文档中提取关键知识。
2. 决策
在这一阶段，AssisTRAG 决定是否将检索到的记忆和提取的知识提供给主 LLM。它激活 Plan I 和 Plan II 来评估这些检索到的记忆和知识对当前问题的相关性和有用性。如果助手认为这些信息有帮助，它们将被提供给主 LLM 以辅助回答生成。
3. 回答生成与记忆更新
在最后阶段，AssisTRAG 提示主 LLM 根据问题、其内部知识和助手提供的信息生成答案。之后，AssisTRAG 激活 Action I，利用其笔记功能，捕捉交互中的关键推理步骤并将其纳入其记忆中。这确保了助手的知识库保持最新。
实验效果
参考文献
Boosting the Potential of Large Language Models with an Intelligent Information Assistant，
原文链接：