嘿，大家好！这里是一个专注于AI智能体的频道！
今天来聊聊一篇挺有意思的论文，被langchain官方点名，很多评论推荐的文章！
Multi-Meta-RAG: Improving RAG for Multi-Hop Queries using>检索增强生成 （RAG） 支持从外部知识源检索相关信息，并允许大型语言模型 （LLM） 回答对以前看不见的文档集合的查询。然而，研究表明， 传统的 RAG 应用程序在回答多跳问题方面表现不佳，这些问题需要检索和推理支持证据的多个元素 。我们引入了一种称为 Multi-Meta-RAG 的新方法，。虽然数据库过滤特定于来自特定领域和格式的一组问题，但我们发现 Multi-Meta-RAG 极大地改善了 MultiHop-RAG 基准测试的结果。代码开源地址
介绍内容之前，必须得先说下，啥是多跳问题呢？简单来说，就是那些需要从多个信息源中提取并推理出答案的问题。传统的RAG技术在这方面表现得不太好，因为它很难从多个文档中找到正确的信息片段，单一的向量很难召回出差异较大的信息源。
为了解决这个问题，两位研究者提出了Multi-MetaRAG方法。这个方法的核心是使用数据库过滤和LLM提取的元数据来提高文档选择的相关性。具体来说，就是先用一个辅助的LLM来分析问题，提取出问题中的关键信息，比如新闻来源或者发布日期，然后用这些信息作为过滤条件，去数据库里找到最相关的文档片段。
使用的few-shot prompt中的few-shot示例如下：
论文中使用了一个叫做MultiHop-RAG的基准测试数据集，这个数据集包含了很多多跳查询的例子。研究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，都有了显著的提升。
最后，作者也指出了这个方法的一些局限性， 比如它需要特定领域和格式的问题集，还需要额外的推理时间来提取元数据 。不过，尽管有这些限制，Multi-MetaRAG还是一个简单易懂、效果显著的方法。
本文转载自，作者：