Daily Papers | RAG-Fusion：检索增强生成的新视角

GEO AI Daily Papers

今天聊一篇2024年2月的新论文——

。这篇东西来自Infineon公司，他们发现工程师、客户经理和客户经常需要快速获取产品信息，传统做法是用RAG聊天机器人来搞定，但效果嘛，总差那么点意思。于是他们搞了个升级版——RAG-Fusion，把检索增强生成（RAG）和互补排名融合（RRF）搅在一起，效果还挺亮眼。

论文标题

RAG-Fusion: a New Take on Retrieval-Augmented Generation [2024.02.21]

论文创新点

• 提出了RAG-Fusion方法，结合了检索增强生成（RAG）和互补排名融合（RRF）。
• 生成多个查询，通过互补分数重新排序并融合文档和分数，从而提高回答的准确性和全面性。
• 通过手动评估回答的准确性、相关性和全面性，验证了RAG-Fusion的效果。

导 读

在工程、客户管理和客户服务场景中，快速获取产品信息是个刚需。传统上这个问题靠RAG聊天机器人解决，但本文评估的

方法，通过生成多个查询并重新排序，以多视角上下文化原始查询，提供更准确、更全面的回答。听起来就像把单线程搜索变成了多线程并行，然后再做一次智能合并。

研究概述

Infineon公司识别出工程师、客户经理和客户对快速获取产品信息的需求后，着手评估RAG-Fusion方法。这套路的核心是：把RAG和RRF结合，先生成多个相关的查询（不是只用一个原始查询），然后用互补分数对这些查询重新排序，最后把文档和分数融合在一起。这样做的目的很明确——让回答不再偏科，既准又全。

上图示意了RAG-Fusion的高级流程，从原始查询“IM72D128 IP评级”开始，可以看到查询是如何被多视角扩展的。

研究方法

任务设计

研究者提出的RAG-Fusion方法，核心就是

加上。具体来说：对原始查询生成多个变体查询，然后利用互补分数（一种跨查询的排名加权方式）对这些查询的返回结果重新排序，把高分段的文档和分数融合成最终上下文。这相当于让模型从不同侧面理解同一个问题，再综合各方信息给出答案。

评估标准

评价维度选了三个：准确性、相关性、全面性。全部采用人工手动评估，而不是依赖自动指标。这种“人肉检验”虽然费时，但能更真实地反映回答质量。

实验过程

研究者构建了一批测试查询，对每个查询先生成多个扩展查询（比如同义词、角度变化），然后用互补分数对这些查询的检索结果重新排序，最后融合文档和分数。对照基准是传统的单查询RAG方法。然后请评估人员逐条打分，对比两种方法在准确性、相关性和全面性上的差异。

研究结果

任务执行

RAG-Fusion在生成准确和全面的回答方面表现出色。尤其是当原始查询本身比较模糊或信息不足时，多查询扩展明显补上了短板。

回答质量

人工评估结果显示，RAG-Fusion提供的回答质量整体更高。不过也存在一个坑：如果生成的补充查询与原始查询相关性太弱，反而可能把答案带偏——所以查询生成的质量是个关键变量。

方法实用性

这个方法展示了在多行业和全球背景下的应用潜力——只要是需要从大量文档中快速定位答案的场景，比如产品手册、技术规范、客户知识库，都可以尝试这套思路。

主要结论

研究证实：RAG-Fusion通过生成多个查询并重新排序，能从多视角上下文化原始查询，从而显著提升回答的准确性和全面性。这可以算是在AI和NLP应用领域的一个有意义的进展，尤其对于需要高精度信息检索的行业来说，转型潜力不小。

本研究提出了RAG-Fusion方法，用多查询生成+互补排序融合的方式，大幅提升了RAG回答的准确性和全面性，展示了跨行业、跨场景的实用价值。