本研究提出了SIM-RAG框架，旨在提升多轮检索增强生成系统的自我意识和检索能力。通过自我实践，系统能够更好地判断信息的充分性，从而优化检索决策。实验结果表明，SIM-RAG在多个基准测试中表现优异，显著提高了系统和数据的效率。

本研究提出了一种名为SimRAG的自我训练方法，旨在提高通用检索增强生成系统在科学和医学等专业领域的适应性。该方法通过生成相关问题和筛选高质量样本，显著提升了大型语言模型在特定任务中的表现。实验结果表明，SimRAG在11个数据集上的表现优于基线模型1.2%至8.6%。