R$^{2}$Adapter：用于高效混合 RAG 的路由和重写适配器

检索增强生成（RAG）已成为利用非参数知识增强 大语言模型（LLM）的流行范例。 Vanilla RAG 可以有效地处理简单的查询，但很难处理关系或多跳推理。基于图的 RAG 缓解了这个问题，但会带来更高的推理复杂性和延迟。在实践中，用户查询的复杂性可能存在显着差异，从而导致固定 RAG 策略不是最优的。然而，现有的混合文本图 RAG 方法通常依赖于启发式和基于 LLM 的路由，导致不必要的开销以及对底层 LLM 的强烈依赖。为了解决这些挑战，我们提出了 R$^{2}$Adapter，这是一个轻量级插件路由和重写适配器，旨在动态地在普通 RAG 和基于图形的 RAG 之间分配查询。通过仅路由真正受益于基于图的推理的查询，R$^{2}$Adapter 减少了不必要的图检索开销。此外，不确定的图形路由查询被重写，以更好地暴露其多跳推理要求，从而在无需额外监督的情况下提高检索质量。对三个多跳 QA 基准的广泛实验表明，R$^{2}$Adapter 可将基于图的 RAG 使用量减少高达 59%，同时保持相当的答案准确性。该适配器与模型无关，可以无缝集成到各种普通和基于图形的 RAG 管道中，为混合 RAG 系统提供高效且自适应的解决方案。