摘要
一种对抗性协作检索增强方法，提出了一个对抗性协作检索增强框架（AC‑RAG），提升了大型语言模型（LLMs）在特定领域自然语言处理（NLP）任务中的性能。预检阶段，检测器初步判断任务是否需检索；问题剖析阶段，检测器将查询分解为子任务，为解答器提供检索线索；检索与整合阶段，解答器根据子任务检索并整合信息；后检阶段，检测器评估信息完整性，必要时重复检索。该框架引入了中立调节者，优化了代理间的协作，显著减少了检索幻觉和语义差异问题，提高了检索准确性和系统效率。此外，模型优化阶段利用推理路径数据微调检测器和解答器，使模型不断进化。实验结果表明，本发明的AC‑RAG在多个垂直领域超越了现有方法，展现了其在复杂查询中的优越性能。
