Astute RAG（Retrieval-Augmented Generation）：LLM信息检索与利用的新思路

LLM系统在处理复杂问题时，往往依赖于内部知识与外部信息的结合，然而，这种信息检索与整合的方式并不完美。据研究显示，约70%的检索信息包含无关或不准确的内容，这不仅影响了AI模型的输出质量，更在诸如医疗、金融等高风险领域埋下了安全隐患。正是在这样的背景下，Astute RAG（Retrieval-Augmented Generation）应运而生，今天我们一起来了解一下Astute RAG。

一、传统RAG系统的困境

传统RAG系统，即检索增强生成系统（RAG（Retrieval Augmented Generation）及衍生框架：CRAG、Self-RAG与HyDe的深入探讨），通过将大型语言模型（LLM）的内部知识与外部检索到的信息相结合，以回答复杂问题。这一方法在一定程度上拓宽了AI的知识边界，但其局限性也显而易见。在实际应用中，AI系统经常检索到错误或无关的信息，导致输出的答案不准确、自相矛盾或令人困惑。这种情况在需要高度准确性和一致性的领域尤为致命，比如医疗决策或金融分析。

例如，当LLM检索外部信息以回答某个问题时，它可能会