利用数据库过滤和元数据提取提升多跳查询的RAG性能

人工智能咨询培训老师叶梓 转载标明出处

大模型在处理需要从多个文档中检索和推理信息的多跳查询时，常常表现不佳，因为它们需要从多个来源检索和推理证据。图1展示了一个简单的RAG实现用于MultiHop-RAG查询。图中显示了用户查询、嵌入向量数据库、提示（Prompt）、查询上下文、错误响应的LLM、新闻文章以及从不同来源（Engadget、The Verge、BBC、CNN）的文章块。

为了解决这一问题，来自基辅-莫希拉国立大学的研究者提出了一种名为Multi-Meta-RAG的新方法，该方法通过使用数据库过滤和从LLM提取的元数据来改进检索增强生成（RAG）模型，从而更准确地选择与问题相关的文档。

想要掌握如何将大模型的力量发挥到极致吗？叶老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具（限时免费）。

1小时实战课程，您将学习到如何轻松上手并有效利用 Llama Factory 来微调您的模型，以发挥其最大潜力。

CSDN教学平台录播地址：https://edu.csdn.net/course/detail/39987 

方法

Multi-Meta-RAG 的核心在于从查询中提取元数据以构建数据库查询过滤器。这一过程通过辅助大模型完成，它通过少量示例提示（few-shot prompt）来学习如何从查询中提取文章来源和发布日期等信息。