Auto-RAG：用于大型语言模型的自主检索增强生成
单位：中科院计算所
代码： https://github.com/ictnlp/Auto-RAG
拟解决问题：通过手动构建规则或者few-shot prompting产生的额外推理开销。
贡献：提出一种以LLM决策为中心的自主迭代检索模型
Abstract
迭代检索是指模型在生成过程中不断查询检索器，以增强检索到的知识的相关性，从而提高检索增强生成 （RAG） 的性能的过程。现有工作通常采用小样本提示或手动构建的规则来实现迭代检索。这引入了额外的推理开销，并忽视了大型语言模型 （LLM） 卓越的推理能力。在本文中，我们介绍了 Auto-RAG，这是一种以 LLM 强大的决策能力为中心的自主迭代检索模型。Auto-RAG 与检索器进行多轮对话，系统地规划检索并优化查询以获取有价值的知识。此过程一直持续，直到收集到足够的外部信息，此时结果将呈现给用户。为此，我们开发了一种在迭代检索中自主合成基于推理的决策指令的方法，并对最新的开源 LLM 进行了微调。实验结果表明，Auto-RAG 能够与检索器进行自主迭代交互，有效利用 LLM 卓越的推理和决策能力，从而在六个基准中取得优异的表现。进一步分析表明，Auto-RAG 可以根据问题的难度和检索到的知识的效用自主调整迭代次数，而无需任何人工干预。此外，Auto-RAG 以自然语言表达迭代检索过程，增强可解释性，同时为用户提供更直观的体验。
Introduction
为了解决检索内容中的噪声（回答中会有很多不相干的内容）以及复杂查询（问题简单，但却要检索很多内容。如：行军路线）。已经提出了迭代检索(Feng et al., 2023; Chen et al., 2024; Asai et al., 2023) (Yu 等, 2024, p. 1)。当前的迭代过程大多依赖few-shot prompting和人力构建规则，忽视了大语言模型的推理能力。
因此引入Auto-RAG，下图展示了其如何解决复杂多跳问题的一个具体示例。
Related Work
检索增强生成的引入是为了解决：
-
LLM对长尾知识保留不足；
-
模型参数中嵌入过时知识。
检索器缺陷（主要是检索内容的噪音）解决：
-
改进查询公式“(Ma et al., 2023)” (Yu 等, 2024, p. 3)
-
增强检索器“(Karpukhin et al., 2020; Chen et al., 2023)” (Yu 等, 2024, p. 3)
-
改进生成器“(Yoran et al., 2023; Yu et al., 2023)” (Yu 等, 2024, p. 3)
-
后检索优化“(Yu et al., 2024; Xu et al., 2023)” (Yu 等, 2024, p. 3)
任务复杂性的增加导致单词检索难度增大。
-
ITER-RETGEN将输入问题与上一次迭代生成的输出连接起来，以形成下一次迭代的新查询。（仅仅反映现有知识，没有明确LLM的信息需求）
-
FLARE使用下一个生成的句子作为查询，根据检索结果对前一个句子进行提炼。尽管这种方法更精确地识别了 LLM 的信息需求，但其有效性在很大程度上取决于精心制作的few-shot prompt，需要不断检索和改进，从而导致大量的人工工作和推理成本增加。
-
Self-RAG训练 LLM 反思检索和生成的内容。然而，Self-RAG 只在训练期间学会机械地预测反射标记，而没有培养推理能力，这进一步限制了这种方法的有效性。
与上述方法相比，Auto-RAG 充分释放了 LLM 在迭代检索过程中基于推理的自主决策的潜力。Auto-RAG 使 LLM 能够通过推理自主决定何时检索以及检索什么。与其他迭代检索方法相比，Auto-RAG 提供了卓越的性能和更高的效率。
Method
Reasoning-based iterative retrieval
$(X,Y)→[X,R_0,(Q_t,D_t,R_t)_{1≤t≤T},A]$
例子：
原始输入
X: "诸葛亮北伐时蜀军是如何行军的？"初始推理
R₀: 模型先根据已有知识进行第一步推理，例如：“诸葛亮北伐是三国时期蜀汉对曹魏的军事行动，总共有数次。这需要进一步确认是哪一次北伐。”
迭代过程（每一轮表示一次信息检索与推理）
在数据合成期间，2WikiMultihopQA 的 T 设置为 10，Natural Questions设置为 5。
第 1 次迭代：
Q₁: 从 R₀ 中抽取的信息需求，例如：“诸葛亮第一次北伐的时间、出发地和目标区域？”
D₁: 检索到的文档段落，比如：“第一次北伐发生在建兴六年（228年），诸葛亮从汉中出发，经由祁山攻打陈仓。”
R₁: 新的推理内容：“第一次北伐路线是从汉中出发，经祁山，目标是陈仓。”
🔄 第 2 次迭代：
Q₂: 进一步需要的信息：“蜀军途径哪些地点？是否有记载他们在哪些地方驻扎或作战？”
D₂: 检索到的新段落：“北伐军在途中经过武都、阴平，派遣马谡驻守街亭，街亭失守导致退兵。”
R₂: 新的推理内容：“行军路线包括汉中 → 祁山 → 武都 → 阴平 → 街亭，但因街亭失守，北伐失败。”
注：如果前一次迭代的推理 Rt−1 包含信息需求4，则查询 Qt 将被采纳（标准：预定义了 “however”、“no information”、“find” 和 “refine” 等术语来表示模型的信息需求。如果输出中出现任何上述内容，则表示需要额外信息），检索器将为 Qt 提供文档 Dt。
🎯 最终答案：
A: 综合所有推理得出最终结论：“诸葛亮第一次北伐时，蜀军从汉中出发，沿祁山、武都、阴平一线北上，目标是陈仓，派遣马谡驻守街亭，但因街亭失守导致北伐失败。”
Reasoning based planning and query refinement
推理范式
-
Retrieval Planning
-
Information Extraction
-
Answer Inference
需要注意的是，在最初收到用户的问题时，通常会省略步骤 2和 3。此外，如果发现检索到的信息完全不相关，则步骤2也被排除在外。这种调整使 LLM 能够根据实际情况做出明智的判断，而不仅仅是模仿演示和产生幻觉。用于引出推理的提示在附录 C.1 中给出。
通过适当的推理过程，LLM 可以根据用户输入和以前的检索计划迭代优化查询，不断适应新的信息要求。为了生成足够多样化的查询集，而不受 few-shot prompt中出现的查询样式的限制，我们采用了更灵活的提示方法，如附录 C.5 所示(这个模板很合适)。
Data Filtering & Formatting
Data Filtering(Algorithm 1)
🔁 执行 Algorithm 1：
第 1 步：初始化
DInst = []
第 2 步：对数据集 D 中每对 (X, Y) 遍历，这里我们只有一对。
第 3 步：语言模型 M 进行首次推理
R0 = M.predict_reasoning(X)
输出示例：
“诸葛亮北伐多次，需要先明确是第几次，才能判断路线。”
第 4 步：设置轮次计数
t = 1
第 5~18 步：迭代推理和检索（最多 T 次）
我们设 T = 2，进行两轮迭代。
🔁 第一次迭代（t = 1）
Step 6：生成多个查询 Qgen
Qgen = M.generate_queries(X, R0)
输出示例：
["诸葛亮第一次北伐发生在哪一年？", "诸葛亮北伐是从哪里出发的？"]
Step 7~11：尝试找一个 query 能检索出包含“部分答案”的文档
-
设
R.retrieve()找到：
d = "第一次北伐发生在建兴六年（228年），从汉中出发，经祁山攻魏。"
识别出包含部分答案（“汉中 → 祁山”），满足条件：
Qt = "诸葛亮北伐是从哪里出发的？" Dt = d
Step 15：语言模型根据前面内容生成本轮推理
R1 = M.reason(X, R0, [(Qt, Dt)], Qt, Dt)
输出：
“诸葛亮第一次北伐是从汉中出发，经祁山北上，这是行军的初始部分。”
Step 16：判断是否还有信息需求
模型发现还需知道是否经过其他地点，所以继续迭代。
t = 2
🔁 第二次迭代（t = 2）
Step 6：基于前一轮推理生成新 query
Qgen = M.generate_queries(X, R1)
输出：
["诸葛亮北伐过程中是否经过街亭？", "蜀军在哪些地方战斗或驻扎？"]
Step 8~11：检索文档
例如：
d = "蜀军派马谡驻守街亭，街亭失守导致全军撤退。"
识别出是部分答案（街亭事件）。
Qt = "诸葛亮北伐过程中是否经过街亭？" Dt = d
Step 15：生成新的推理
R2 = M.reason(X, R0, [(Q1, D1, R1)], Qt, Dt)
输出：
“街亭是北伐途中的关键战役地点，蜀军在此失败，决定了整个北伐的结局。”
Step 16：判断是否还需检索
此时 R2 包含完整的信息，模型判断无需再提问，跳出循环。
Step 19：生成最终回答
A = M.answer(X, R0, [(Q1, D1, R1), (Q2, D2, R2)])
输出：
“诸葛亮第一次北伐路线为汉中 → 祁山 → 街亭。街亭失守后，北伐失败撤退。”
Step 20：验证是否和真实答案匹配
if A == Y: # 或通过相似度度量近似判断
✅ 匹配，加入训练集。
最终输出：
DInst.append([X, R0, (Q1, D1, R1), (Q2, D2, R2), A])
🧾 总结输出结果格式：
{ "X": "诸葛亮北伐时蜀军是如何行军的？", "R0": "诸葛亮北伐多次，需要明确是哪次。", "Iterations": [ { "Q": "诸葛亮北伐是从哪里出发的？", "D": "第一次北伐发生在建兴六年（228年），从汉中出发，经祁山攻魏。", "R": "北伐路线从汉中出发，经祁山北上。" }, { "Q": "诸葛亮北伐过程中是否经过街亭？", "D": "蜀军派马谡驻守街亭，街亭失守导致全军撤退。", "R": "街亭是北伐途中的关键战役地点，蜀军在此失败后撤退。" } ], "A": "诸葛亮第一次北伐路线为汉中 → 祁山 → 街亭。街亭失守后，北伐失败撤退。" }
Data Formatting
类似于一个多轮对话生成
Training
有监督
Inference
为了避免无休止的推理而无法生成答案采用Algorithm2，在到达一定迭代次数的时候获取参数知识
Experiment
数据集：Natural Questions & 2WikiMultihopQA
推理过程：Qwen1.5-32B-Chat
重写查询：Llama-3-8B-Instruct
没有Baseline，选取zero-shot模型的Naive RAG作为Baseline。对比结果见
“Table 1: Main results on six benchmarks. Auto-RAG consistently outperforms all baselines.” (Yu 等, 2024, p. 7)
Analysis
不同数量文档和不同迭代次数上AutoRAG的表现。可以看出（a)(b)数据集是单跳数据集终止的轮数较快，而Hotpot问题终止的轮数叫慢，体现模型的自适应性很强。
如图 4 所示，在每次迭代中提供不同数量的文档对整体 QA 性能有一定的影响。在这三项任务中，每次迭代提供三个文档会产生出色的结果，这表明为 Auto-RAG 提供适当大小的文档是有益的。我们还将 AutoRAG 与无检索方法 （Naive Gen） 和标准 RAG 进行了比较。Auto-RAG 在每次迭代的不同文档计数上始终优于它们。值得注意的是，Auto-RAG 表现出比 Standard RAG 更小的性能波动，证明了其对猎犬的卓越稳健性。
消融实验表明推理模块确实有用，few-shot也要比zero-shot要好
数据规模越大越好，收敛也更快。
表现整体更好，检索速度较慢，轮数也适中。
Conclusion
在本文中，我们介绍了 Auto-RAG，这是一种以 LLM 强大的决策能力为中心的自主迭代检索模型。Auto-RAG 通过多轮对话与检索器交互，系统地规划检索和优化查询以获取有价值的知识，直到获得足够的外部信息，此时结果将呈现给用户。为此，我们开发了一种在迭代检索中自主合成基于推理的决策指令的方法，并对最新的开源 LLM 进行了微调。分析结果表明，Auto-RAG 不仅取得了出色的性能，而且保留了高度的可解释性，为用户提供了更直观的体验。