.png){kind=icon}
返回
Knowledge intensive agents
.png){kind=icon}
OA
AI
DOI：10.1016/j.aiopen.2026.02.002.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）在推理和语言理解方面展现了出色的能力。然而，它们对记忆知识的依赖以及生成幻觉内容的倾向限制了其在实际应用中的可靠性。检索增强生成（RAG）通过整合一个检索模块来补充LLMs的外部相关知识，缓解了这些问题。该范式连接了参数化记忆和显式检索，提供了一种基于事实证据的生成原则性方法。尽管取得了显著进展，但先前大多数工作集中在优化孤立组件（检索或生成），而忽视了代理视角，即LLMs作为能够主动获取和战略利用知识的自主代理。在这篇观点论文中，我们主张将RAG重新解释为具有不同但互补角色的代理之间的协作知识过程。我们将知识密集型代理分为两类主要角色：知识获取（如路由、查询重述）和知识利用（如知识精炼、响应生成）。从这一视角来看，RAG成为一个动态系统，知识在代理角色之间持续传输、转换和对齐。为完全实现这一范式，我们倡导在RAG系统中对知识密集型代理进行联合优化框架。该框架明确模拟了多代理设置中的知识流动动态，通过LLM驱动的数据合成、反馈和评估，使知识供给与知识需求对齐。通过促进适应性和针对性的知识交换，该框架缓解了参数化知识和检索知识之间的冲突，从而增强了连贯性和事实性。我们主张，这种多代理联合优化范式改进了RAG系统在可扩展性、可靠性和适应性方面的表现，释放了下一代知识密集型LLMs的潜力，使其能够在深度检索过程和多样化垂直领域中推理、检索和协作。
Keyword:
Knowledge intensive agent
Retrieval-augmented generation
Large language models
Multi-agent optimization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
14.8
论文数:
11
被引数:
0
机构
引用论文
How Do Large Language Models Acquire Factual Knowledge During Pretraining?大型语言模型在预训练期间如何获取事实知识？
.png){kind=icon}
PREAI
分享收藏
Question-Answer Extraction from Scientific Articles Using Knowledge Graphs and Large Language Models
PREAI
分享收藏Knowing You Don't Know: Learning When to Continue Search in Multi-round RAG through Self-Practicing
PREAI
分享收藏
查看更多内容