NaviRAG：面向检索增强生成的主动知识导航

检索增强生成 (RAG) 通常依赖于平面检索范例，将查询直接映射到静态、孤立的文本段。这种方法很难处理更复杂的任务，这些任务需要跨不同粒度级别（例如，从广泛的概念到具体的证据）对信息进行条件检索和动态合成。为了弥补这一差距，我们引入了 NaviRAG，这是一种从被动片段检索转变为主动知识导航的新颖框架。 NaviRAG 首先将知识文档构建为分层形式，保留从粗粒度主题到细粒度细节的语义关系。利用重新组织的知识记录，大语言模型 (LLM) 代理主动导航记录，迭代地识别信息差距并从最合适的粒度级别检索相关内容。对长文档 QA 基准的大量实验表明，与传统 RAG 基准相比，NaviRAG 持续提高了检索召回率和端到端答案性能。消融研究证实，性能提升源于我们的方法的多粒度证据定位和动态检索规划的能力。我们进一步讨论了我们方法的效率、适用场景和未来方向，希望使 RAG 系统更加智能和自主。