当大模型也配备“秘书”：AssistRAG 的创新与应用

你是否经历过这样的场景：向 ChatGPT 询问一道复杂的数学题，它给出了一个看似合理但完全错误的答案；或者明明上下文里有现成的答案，它却绕了一大圈给出了不着边际的回复。这就是大语言模型著名的"幻觉"问题，就像一个博学但不够严谨的学者，时常会脑补一些并不存在的信息。　

为了解决这个问题，研究人员提出了检索增强生成(RAG)技术。简单来说，就是在模型回答问题之前，先让它查阅相关的资料。这就像是给学者配备了一个图书馆，需要答案时可以先查证一下。但传统的 RAG 技术还是不够聪明，就像是一个只会按图索骵的图书管理员，找到的资料可能并不是最相关的。　

最近，来自清华大学、香港理工大学和中国人民大学的研究团队在 NeurIPS 2024 发表了一篇创新性论文，提出了 AssistRAG 框架。这个方案特别有意思，它不是直接改进主模型，而是给模型配备了一个智能助手。这就像是给学者配了一个博学多才的研究助理，不仅会找资料，还能帮忙整理笔记、分析问题。　

为什么传统 RAG 技术不够用？

让我们通过一个具体的例子来理解传统 RAG 的局限性。假设用户问："谁更年长，NBA 球员丹尼·格林还是詹姆斯·沃西？"看似简单的问题，实际上需要多个步骤：　

1. 首先需要找到丹尼·格林的出生日期，但检索时发现有多个"丹尼·格林"，有的是拳击手，有的是音乐家。传统 RAG 可能会被这些无关信息干扰。
2. 然后是詹姆斯·沃西的信息，同样需要在众多文档中准确定位。
3. 最后还要把两个日期进行比较，得出结论。

传统的"检索-阅读"模式在每一步都可能出错：检索时可能找不到准确信息，阅读时可能理解错误，推理时可能逻辑混乱。就像一个经验不足的助手，虽然有资料在手，但不知道如何高效地利用。　

AssistRAG：打造超级智能助手

那么，如何打造一个称职的助手呢？AssistRAG 的设计非常巧妙，它让助手具备了四种关键能力：　

1. 第一是高效的信息检索能力。助手会先分析问题的核心，比如在上面的例子中，它会先确定是在找 NBA 球员丹尼·格林，而不是同名的拳击手。这就避免了被无关信息干扰。
2. 第二是信息提取和分析能力。找到相关文档后，助手会提取关键信息。比如不会把球员的整个职业生涯都列出来，而是只关注出生日期这个关键信息。
3. 第三是记忆管理能力。如果之前已经回答过类似的问题，助手会把这些经验记录下来。比如之前可能已经查过詹姆斯·沃西的资料，就不需要重新检索了。
4. 第四是决策判断能力。助手会判断当前的信息是否足够回答问题。如果信息不充分或有歧义，它会主动进行补充检索。

研究团队还设计了一个巧妙的训练方法。就像培养一个优秀的助理一样，训练分为两个阶段：　

• 第一阶段是基础技能训练。通过"课程学习"的方式，先让助手掌握基本功能。比如先学会做笔记，然后学会分解问题，最后学会提取知识。这就像是先让助理学会基本的办公技能，再逐步承担更复杂的工作。
• 第二阶段是适应性训练。助手需要学会配合不同主模型的特点。因为每个主模型就像是性格不同的老板，有的喜欢详细的信息，有的更喜欢简明扼要的总结。助手通过观察主模型的反馈，逐渐调整自己的工作方式。

实验效果令人震惊

AssistRAG 的效果究竟有多好？研究团队在三个复杂问答数据集上进行了全面测试。结果显示，它不仅整体表现优秀，在帮助较弱的模型时效果更是惊人。　

最让人惊喜的是它对弱模型的提升效果。以 LLaMA2-chat-7B 为例，在 HotpotQA 数据集上，传统 RAG 方法只能达到 23.0% 的 F1 分数，而 AssistRAG 直接提升到了 41.5%，提升幅度达到惊人的 78%！这就像是给一个普通学生配备了一个优秀的助教，成绩突飞猛进。　

不仅如此，即便是对于强大的 ChatGPT3.5，AssistRAG 也带来了显著提升。在同样的数据集上，F1 分数从 33.0% 提升到了 44.8%。这说明就算是最顶尖的模型，也能从智能助手那里获得帮助。　

实际应用中的精彩案例

让我们通过一个具体的案例来看看 AssistRAG 是如何工作的。假设用户问："在维多利亚时代的英国文学作品中，狄更斯和哈代谁出生更早？"　

传统的 RAG 可能会直接检索包含这两个作家名字的文档，但很可能会被大量的作品介绍、文学评论等无关信息干扰。而 AssistRAG 的处理方式就高明多了：　

首先，助手会将问题分解为两个子问题：　

• 查找查尔斯·狄更斯的出生日期
• 查找托马斯·哈代的出生日期

然后，助手会有针对性地检索每个作家的传记信息，快速定位到关键信息：狄更斯出生于 1812 年，哈代出生于 1840 年。　

更巧妙的是，助手还会把这个信息存入记忆库。如果以后有人问类似的问题，比如"狄更斯比哈代年长多少岁？"，就能直接使用已有的信息，而不需要重新检索。　

总结

AssistRAG 的成功给 AI 领域带来了很多启发。首先，它证明了"分工协作"的重要性。就像一个成功的组织需要不同角色的员工相互配合，AI 系统也可以通过不同模块的协作来实现更好的效果。　

这种框架展现出了极强的扩展潜力。比如在客服系统中，助手可以帮助管理用户的历史问题和解决方案；在教育领域，助手可以记录学生的学习进度和难点，提供更有针对性的辅导。　

不过，AssistRAG 还有一些值得改进的地方。比如在处理特别长的文本时，检索效率还有提升空间；在个性化服务方面，如何让助手更好地理解不同用户的特点，也是一个值得研究的方向。　

最让人期待的是，这种"主模型+智能助手"的架构可能会成为未来 AI 系统的标准配置。就像现在的智能手机都配备了各种智能助手一样，未来的 AI 系统也可能都会有自己的专属助手，帮助它们更好地服务用户。　

本文转载自 ​​芝士AI吃鱼​​，作者： 芝士AI吃鱼