CodaRAG：受互补学习启发，通过关联性连接点

由于幻觉和对分散信息的碎片推理，大语言模型（LLM）难以完成知识密集型任务。虽然检索增强生成（RAG）以外部来源为基础生成，但现有方法通常将证据视为孤立的单元，无法重建连接这些点的逻辑链。受补充学习系统（CLS）的启发，我们提出了 CodaRAG，一个将检索从被动查找演变为主动关联发现的框架。 CodaRAG 通过三阶段管道进行操作：（1）知识整合，将碎片化的提取统一到稳定的存储基底中； (2) 关联导航，通过多维路径（语义、上下文和功能）遍历图，显式恢复分散的证据链； (3) 干扰消除，以消除超关联噪声，确保连贯、高精度的推理环境。在 GraphRAG-Bench 上，CodaRAG 在检索召回率方面实现了 7-10% 的绝对增益，在生成准确率方面实现了 3-11% 的绝对增益。这些结果证明了 CodaRAG 系统地强化事实、推理和创造性任务的关联证据检索的卓越能力。