AdaGATE：用于多跳检索增强生成的自适应间隙感知词元高效证据组装

检索增强生成（RAG）在实际部署设置中的多跳问题上仍然很脆弱，其中检索到的证据可能有噪声或冗余，并且只能将有限的上下文传递给生成器。现有的控制器解决了这个问题的部分问题，但通常要么附加地扩展上下文，从固定的 top-k 集中进行选择，要么在不显式修复丢失的桥事实的情况下优化相关性。我们提出了 AdaGATE，一种用于多跳 RAG 的 无需训练 证据控制器，它将证据选择框架为词元约束的修复问题。 AdaGATE 结合了以实体为中心的差距跟踪、有针对性的微查询生成以及基于实用程序的选择机制，该选择机制平衡差距覆盖、佐证、新颖性、冗余和直接问题相关性。我们在干净、冗余和噪声注入检索条件下在 HotpotQA 上评估 AdaGATE。在所有三种设置中，AdaGATE 在比较控制器中实现了最佳证据 F1，在干净数据上达到 62.3%，在冗余注入下达到 71.2%，同时使用的输入词元比 Adaptive-k 少 2.6 倍。这些结果表明，显式的间隙感知修复与词元有效的证据选择相结合，可以提高不完美检索下多跳 RAG 的鲁棒性。我们的代码和评估管道可在 https://github.com/eliguo/AdaGATE 获取。