R$^3$AG：用于检索增强生成的 检索器 路由

检索增强生成（RAG）已成为知识密集型任务的基石。然而，RAG 的功效常常受到“一刀切”检索范例的瓶颈，因为不同的查询对不同的 检索器 表现出不同的偏好。虽然最近的路由技术尝试动态选择最佳 检索器，但它们通常在“单一静态能力”假设下运行，仅根据语义相关性选择 检索器。这忽略了 RAG 中的一个关键区别：检索到的文档不仅必须相关，而且必须有效支持生成器生成正确答案。为了解决这个限制，我们提出了 R$^3$AG，一种新颖的路由框架，它显式地模拟查询和 检索器 功能之间的动态对齐。与以前的方法不同，R$^3$AG 将 检索器 能力分解为两个可学习的维度：检索质量和生成效用。我们采用对比学习目标，利用互补的监督信号、文本评估和下游答案的正确性来捕获特定于查询的偏好变化。对多个知识密集型任务的大量实验表明，R$^3$AG 始终优于最好的个体 检索器 和最先进的静态路由方法。