学习探索和选择以实现覆盖编码的检索增强生成
内容提要
该研究提出了多种增强检索生成（RAG）的方法，如PG-RAG框架和GraphQA基准，显著提升了问题回答的性能。结合知识图谱和细粒度检索，改善了客户服务问答的准确性和效率。同时，利用大型语言模型（LLMs）进行复杂数据分析和决策，展示了在科学问答和复杂QA任务中的有效性。
延伸解读
从预检索到规划：RAG 的演进路径
文章梳理了 RAG 技术的多个改进方向，从 PG-RAG 的预检索框架，到 RPG 的检索-规划-生成，再到 PlanRAG 的迭代规划，呈现出从单纯检索增强向规划与决策能力延伸的趋势。这些方法不再局限于提升检索精度，而是尝试让模型在生成前主动规划，以应对更复杂的问答与决策任务。
知识图谱与细粒度检索的协同价值
在客户服务问答中，将 RAG 与知识图谱结合，通过保留问题结构和关系来构建图谱，显著提升了检索精度和解答质量。实证显示 MRR 提升 77.6%、BLEU 提升 0.32，并在 LinkedIn 客服团队应用近六个月，平均解决时间减少 28.6%。这表明结构化知识与细粒度检索的协同，能带来可量化的业务收益。
评估基准与数据集的推动作用
文章提及多个基准和数据集，如 GraphQA 基准、中文对话型问答数据集以及 PaperQA 评估方法。这些资源不仅用于验证方法有效性，也促进了可复现研究。例如，GraphQA 用于文本图任务，PaperQA 在科学问答上超越现有 LLMs，说明专用基准对推动 RAG 在垂直领域的发展至关重要。
复杂决策场景下的 RAG 新任务
Decision QA 任务要求根据决策问题、业务规则和数据库给出最佳决策，PlanRAG 通过迭代规划-检索-生成在 Locating 和 Building 场景中胜过先进迭代 RAG 方法。这显示 RAG 正从信息检索问答向辅助复杂数据分析与决策扩展，但文章未涉及具体行业落地细节，实际应用仍需结合场景验证。
Q&A
PG-RAG框架的主要功能是什么？
PG-RAG框架通过使用大量阅读材料和结构化的语境记录，显著提升了单文档和多文档的问题回答任务的性能。
如何结合知识图谱改善客户服务问答的准确性？
通过保留内部问题结构和问题间关系，从历史问题中构建知识图谱用于检索，提高了检索精度和解答质量。
细粒度检索扩充和自我验证方法的作用是什么？
这些方法提升了对话型问答系统的性能，实现了问题理解和相关信息获取。
Retrieve-Plan-Generation（RPG）框架的创新点是什么？
RPG框架通过生成计划令牌指导后续生成，提高了答案生成的相关性。
Decision QA任务的定义是什么？
Decision QA任务是在给定决策问题、业务规则和数据库的情况下，回答最佳决策的问题。
PaperQA如何评估科学文献的相关性？
PaperQA通过对科学文献进行信息检索，评估来源和段落的相关性，并利用RAG提供答案的方法。
