RAGentA: Multi-Agent Retrieval-Augmented Generation for Attributed Question Answering

最新推荐文章于 2025-11-23 19:13:18 发布
最新推荐文章于 2025-11-23 19:13:18 发布
阅读量76 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： DeepSeek技术解析和实战 大模型理论和实战 文章标签： 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zengzizi/article/details/149513457

Accepted at SIGIR 2025

作者：our, Jingbo He, Tobias Schreieder, Michael Färber

https://github.com/faerber-lab/RAGentA

features

  • Multi-Agent Architecture: Uses multiple specialized agents for document retrieval, relevance judgment, answer generation, and claim analysis
  • Hybrid Retrieval: Combines semantic (dense) and keyword (sparse) search for better document retrieval (AWS account with access to OpenSearch and Pinecone (for hybrid retrieval))
  • Citation Track
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Instruct-Imagen: Image Generation with Multi-modal Instruction
步子哥的博客
01-07 1246
提出一个两阶段的训练框架，首先通过检索增强训练（retrieval-augmented training）来增强模型处理多模态输入的能力，然后在多样化的图像生成任务上进行微调（fine-tuning），以准确响应多模态指令。：构建一个统一的模型（Instruct-Imagen），它不仅能够在特定领域内的任务上达到或超过现有任务特定模型的性能，而且能够在未见的更复杂任务上展现出良好的泛化能力。：在未见过的复杂任务上评估模型的泛化能力，例如结合风格和主题的生成任务、结合风格和控制的生成任务等。
【论文精读(GraphRAG 综述)】Graph Retrieval-Augmented Generation: A Survey
2301_79985417的博客
04-19 1135
该论文系统综述了 GraphRAG（图检索增强生成）技术，探讨其如何通过知识图谱（KG）结构信息提升大语言模型（LLM）的推理准确性与可解释性。文章涵盖 GraphRAG 的工作流程、核心技术、应用场景及未来挑战，适合从事 LLM 与知识图谱融合研究的读者参考。
Graph Retrieval-Augmented Generation: A Survey
weixin_44466434的博客
10-06 1379
1
ViDoRAG: Visual Document Retrieval-Augmented Generation via Dynamic Iterative Reasoning Agents论文解读
weixin_38252409的博客
03-11 947
近来，deepseek火爆流行，席卷中国行业，引发了rag相关的智能体agent。然而，理解视觉丰富的文档中的信息对于传统的检索增强生成（Retrieval-Augmented Generation, RAG）方法来说仍然是一个重大挑战。现有的基准主要集中在基于图像的问题回答（QA），而忽视了在密集的视觉文档中进行高效检索、理解和推理的基本挑战。为了弥合这一差距，我们引入了ViDoSeek，一个旨在评估RAG在需要复杂推理的视觉丰富文档上性能的新数据集。为此，本篇文章解读ViDoRAG论文。
Buffer of Thoughts: Thought-Augmented Reasoning with Large Language Models思想缓冲:大型语言模型的思维增强推理
weixin_44182383的博客
06-13 1158
进一步的分析表明，我们的BoT具有卓越的泛化能力和模型鲁棒性，而平均只需要多查询提示方法(例如，树/思想图)的12%的成本。我们的方法有三个关键优势:(i)准确性提高:通过共享的思想模板，我们可以自适应地实例化处理不同任务的高级思想，从而消除了从头开始构建推理结构的需要，从而提高了推理准确性。具体来说，我们设计了元缓冲区，这是一个轻量级的库，包含一系列通用的高级思想(思想模板)，这些思想是从不同的问题解决过程中提炼出来的，可以跨任务共享。4. 我们对10个具有挑战性的推理密集型任务进行了广泛的实验。
计算机视觉论文-2021-09-14
中科院AI算法工程师的博客
09-15 4417
本专栏是计算机视觉方向论文收集积累，时间：2021年9月14日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:COSMic: A Coherence-Aware Generation Metric for Image Descriptions AUTHORS: MERT ?NAN et. al. CATEGORY: cs.CL [cs.CL...
CCF A类会议或期刊----近两年自监督相关论文
Thincor的博客
03-19 5833
会议/期刊 论文 neurips2020 Self-Supervised MultiModal Versatile Networks. neurips2020 Self-Supervised Relationship Probing. neurips2020 Cross-lingual Retrieval for Iterative Self-Supervised Training. neurips2020 Adversarial Self-Supervised Contrast....
CVPR学习（三）：CVPR2019－各个方向
TheDayIn_优快云的博客
06-28 5569
一、各个方向 视频人体骨架跟踪 【1】Learning Regularity in Skeleton Trajectories for Anomaly Detection in Videos 论文地址：https://arxiv.org/abs/1903.03295 野外人群计数 【2】Learning from Synthetic Data for Crowd Counti...
AI推介-大语言模型LLMs论文速览（arXiv方向）：2024.07.01-2024.07.05
小小帅
07-09 1922
大型语言模型（LLM）的幻觉问题极大地限制了其可靠性和可信度。人类有一种自我意识过程，能让我们在面对询问时识别出自己不知道的东西。受此启发，我们的论文研究了 LLM 能否在生成响应之前估计自己的幻觉风险。我们从训练数据源和 15 种不同的自然语言生成（NLG）任务（跨越 700 多个数据集）两方面广泛分析了 LLM 的内部机制。我们的实证分析揭示了两个关键见解：(1) LLM 的内部状态表明他们是否在训练数据中看到过查询；(2) LLM 的内部状态表明他们是否有可能对查询产生幻觉。
黄仁勋GTC开场：「AI-XR Scientist」来了！
2501_94005722的博客
11-20 1309
丛乐 (Le Cong)，斯坦福大学医学院病理学系和遗传学系教授。他被公认为是 CRISPR 基因编辑领域的奠基人之一。早在哈佛大学攻读博士学位期间，丛乐在导师张锋（Feng Zhang）和乔治・丘奇（George Church）的指导下，作为第一作者在 Science, Cell, Nature 杂志上发表了数篇标志性论文，首次证实 CRISPR/Cas9 系统可以在哺乳动物和人类细胞中实现基因编辑，为这一革命性技术的后续应用奠定了基石。
传统NLP算法
记录成长‌，知识沉淀，连接同行‌
11-19 736
传统NLP算法与当前大模型的对比分析 传统NLP算法主要基于规则和统计模型（如HMM、CRF、SVM），依赖人工特征工程和领域知识，适合特定任务但泛化能力有限。其优势在于可解释性强、计算资源需求低。典型应用包括分词、命名实体识别和文本分类等。 现代大模型（如Transformer架构LLM）采用预训练-微调范式，通过海量数据自动学习语言表示，具备强大的生成能力和跨任务迁移性。它们能处理复杂任务如对话生成和多语言翻译，但需巨额计算资源。 二者存在技术演进关系：大模型继承了传统NLP的核心思想，但通过深度学习实
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1476
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 459
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
最新发布
人生不是轨道，是旷野。希望每天都有好心情。
11-23 143
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
创客匠人 2025 高峰论谈（11.22-25）：AI 智能体重构创始人 IP 打造与知识变现的管理逻辑
ckjrxx的博客
11-20 627
这一 “数据化定位逻辑”，将在。创客匠人峰会筹备阶段强调，AI 智能体的核心意义是 “解放人”—— 将创始人从机械性工作中解放，专注知识体系迭代、用户信任构建等核心价值创造，让知识变现从 “个人生意” 升级为 “企业级业务”。创始人 IP 定位的核心是 “找到市场需求与核心能力的交集”，传统模式本质是 “个体直觉管理”，而 AI 智能体通过数据化管理思维，将定位转化为可量化、可追溯的流程。这些问题本质是企业管理中 “个体能力” 与 “系统效率” 的失衡，而 AI 智能体的出现，正从管理底层重构这一逻辑。
强化学习人形机器人奖励函数分析
ModestCoder_的博客
11-23 576
PPO (Proximal Policy Optimization) 是一种 Actor-Critic 架构算法。奖励函数是整个学习过程的指挥棒。学习预测未来的累积回报（Return）。用于处理物理限制的软约束，形式通常为单边损失（Hinge Loss）。，作为 Cost/Penalty 使用，用于约束能量和保持稳定。以下是代码中各个奖励项的数学表达及其物理含义分析。形式，旨在最大化机器人对指令的跟随精度。这种设计是现代机器人控制领域的标准范式。形式，在总奖励计算中通常会被赋予。
宇树G1-D：人形机器人下一步方向！
Charlie_Mo的博客
11-21 954
宇树科技推出G1-D人形机器人工作站全栈解决方案，实现从硬件平台向"硬件+数据+AI"生态平台升级。该方案以G1-D为核心载体，为AI模型开发提供强力支撑，可应用于制造业等场景，提升生产精度和效率。在AI技术快速发展的背景下，掌握基于G1-D的AI开发技能将增强就业竞争力。这一创新方案为行业搭建AI训练基础设施，推动技术进步，展现未来发展潜力。
5G与人工智能：相辅相成推动未来智能化世界
2501_94108919的博客
11-21 924
近年来，5G和人工智能（AI）被视为数字时代的两大核心技术，它们不仅各自推动了技术进步，还在相互结合的过程中，带来了革命性的变革。例如，在智能制造中，AI可以基于5G传输的生产数据，实时调整生产线，优化生产效率，减少停机时间。比如，通过5G网络连接的智能穿戴设备可以实时监测患者的生命体征，并通过AI分析数据，为医生提供决策支持，甚至进行远程手术指导。5G网络的普及需要大量的基站和基础设施建设，而AI的应用则要求更高的计算能力和更低的延迟，这对硬件的要求非常高。
Python机器学习库
2509_93946396的博客
11-22 530
说到机器学习核心库，Sklearn的API设计确实经典。最近在做的图像分类项目里，用tf.data构建数据管道比传统生成器效率提升明显，尤其是map()和cache()的链式调用，让数据增强流程流畅了不少。最近遇到个有趣案例：某电商用户行为数据清洗时，发现用pd.get_dummies()处理分类变量比手动编码快了三倍，配合query()方法做数据筛选，代码行数直接减半。计算机视觉项目里OpenCV的HOG特征提取依然可靠，配合imutils库里的便捷函数，几行代码就能完成复杂的目标检测预处理。
LightRAG: Simple and Fast Retrieval-Augmented Generation代码
03-29
### 关于 LightRAG 的代码实现 LightRAG 是一种将图结构引入文本索引的方法，旨在通过构建图结构捕捉实体间的复杂关系。这种方法允许系统更高效地处理复杂的多跳查询，特别是在涉及多个文档段落的情况下[^1]。 尽管目前没有直接提及具体的 LightRAG 实现细节或官方代码库的信息，但从其描述来看，可以推测其实现有赖于以下几个关键技术点： #### 1. 图结构的构建 为了支持高效的多跳查询，LightRAG 需要先构建一个基于实体和关系的图结构。这种图可以通过以下方式实现： - 使用 Python 中的 `networkx` 库来创建和操作图数据结构。 - 将实体作为节点，关系作为边存储在图中。 以下是简单的图构建示例代码： ```python import networkx as nx # 创建有向图 G = nx.DiGraph() # 添加节点（实体） G.add_node("Entity_A", type="Person") G.add_node("Entity_B", type="Location") # 添加边（关系） G.add_edge("Entity_A", "Entity_B", relation="visited") # 输出图信息 print(G.nodes(data=True)) print(G.edges(data=True)) ``` #### 2. 文本索引与检索 LightRAG 结合了双层次检索模式，这意味着它可能依赖某种形式的倒排索引来加速文本匹配过程。具体来说，可以利用 Elasticsearch 或 FAISS 来完成这一部分功能。 FAISS 示例代码如下： ```python import faiss import numpy as np # 构建索引 dimension = 128 # 嵌入维度 index = faiss.IndexFlatL2(dimension) # 插入嵌入向量 vectors = np.random.rand(100, dimension).astype('float32') index.add(vectors) # 查询最近邻 query_vector = np.random.rand(1, dimension).astype('float32') distances, indices = index.search(query_vector, k=5) print(indices) ``` #### 3. 多跳推理机制 对于多跳查询的支持，通常需要设计递归式的查询逻辑或者借助 Transformer 编码器解码器架构进行上下文理解。这部分可以从 RAG (Retrieval-Augmented Generation) 系统的设计思路出发[^2]。 假设我们已经有了预训练的语言模型，则可以在 PyTorch 上搭建基础框架： ```python from transformers import AutoTokenizer, AutoModelForSeq2SeqLM tokenizer = AutoTokenizer.from_pretrained("facebook/rag-token-base") model = AutoModelForSeq2SeqLM.from_pretrained("facebook/rag-token-base") def generate_response(contexts, question): inputs = tokenizer([question], return_tensors="pt") with tokenizer.as_target_tokenizer(): targets = tokenizer([""], return_tensors="pt")["input_ids"] outputs = model.generate( context_input_ids=contexts, **inputs ) response = tokenizer.decode(outputs[0], skip_special_tokens=True) return response contexts = ... # 提供从数据库检索到的相关段落 question = "What is the capital of France?" response = generate_response(contexts, question) print(response) ``` 虽然上述代码片段并未完全针对 LightRAG 进行定制化开发，但它展示了如何结合外部知识源增强生成能力的核心理念。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

大F的智能小课

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值