ORDER框架提出任务条件路由优化RAG
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载固定配置的局限
常规的检索增强生成流程在预处理阶段就把索引与检索参数定死，之后所有查询都走同一套切块粒度、元数据约束和来源选择方式。论文指出，这种统一配置在领域专家场景中并不合用：不同类别的查询对切块粗细、过滤条件和取数来源的要求并不一致，为某一类问题调好的参数换到另一类问题上往往效果明显下降。ORDER 的出发点正是把索引与检索从一次性设定改为随查询变化。
按语义簇学配置
ORDER 全称 Optimal Routing for Dynamic Evidence Retrieval，其做法是先在一组与语料对应的问题上做语义聚类，再为每个簇分别学习一套切块策略，并配上与之匹配的元数据过滤与重排设置。也就是说，同一份语料会对应多个预先建好的索引，每个索引服务一类查询形态。推理阶段，新查询通过最近质心分配被路由到相应的索引，无需在请求到来时重新构建索引。
路由与预算分配
在索引路由之外，作者还提出一个有监督的查询路由器 QRe，用来预测哪些集合最可能包含相关证据；与之配合的是 Uniform Multi-source Sampler（UMS），把检索预算在被选中的来源之间平均分配，避免预算集中在少数来源上。两者结合，使检索阶段同样带有查询条件，而不是沿用固定流程。
评测场景与对比
论文在大规模、异构的历史档案上评测该框架，结果显示，让索引与检索都随查询条件调整的做法，在复杂专家领域环境中稳定优于朴素基线以及表现较强的现有检索增强生成系统。材料给出的对比对象是基线方法与现有系统两类，未披露具体指标数值。对使用检索增强生成的团队而言，这意味着预处理阶段的一次性配置可以拆成多套按查询类型划分的索引，并在请求时用轻量路由选择。
为什么值得看
解决RAG系统在专业领域面对多样化查询时的配置僵化问题，提升检索效果。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。