通过人类反馈增强 LLM：自我完善之旅

在快速发展的信息检索系统中，通过用户反馈进行调整和改进的能力至关重要。本研究引入了一种新颖的方法，通过战略性地集成辅助反馈 RAG 系统来改进主要检索增强生成 (RAG) 系统的性能。通过系统地利用人类生成的反馈，该方法旨在提高响应的准确性、相关性和整体质量，推动系统自我改进。该方法的核心是人机交互实施，不断收集、分类用户反馈并将其集成到推理工作流程中，使系统能够迭代学习和发展。为了验证这种方法的有效性，该研究利用 LLM-as-a-Judge 评估策略，对三个不同的基准数据集进行了严格的测试，这些基准数据集侧重于一般和自定义领域知识。这个综合框架不仅强调了 RAG 系统中反馈驱动增强功能的变革潜力，而且为自适应信息检索技术的未来研究开创了先例，标志着通过用户参与实现自主细化和优化的旅程中的重要一步。