RIT-RAG：用检索诱导子树导航大型文档语料

检索增强生成（RAG）将语言模型建立在外部语料库中。 Agentic RAG 支持迭代搜索，但将模型暴露给没有文档结构的孤立块，从而很难将相关证据与仅类似于查询的块区分开来。 PageIndex 等结构感知方法可以导航文档结构，但无法扩展到大型语料库的结构，而大型语料库不适合LLM上下文。因此，他们首先使用文档检索器提交单个文档，并且无法从错误的选择中恢复。我们提出了 RIT-RAG（检索诱导树 RAG），它将内容检索与结构导航相结合。离线时，RIT-RAG 根据每个文档的目录或站点地图为每个文档构建一个树。在查询时，它检索大量块并使用它们的位置来产生可管理的子树，可能跨多个文档。 LLM 代理导航这些子树，有选择地读取有希望的节点，并在需要时重新制定查询。因此，检索建议去哪里看，而代理则决定看什么 读。在金融、科学和客户支持基准中，RIT-RAG 在普通基准、基于图形的基准和 Agentic 基准中实现了最高的答案准确性。在 EntQABench（我们包含 284 万个技术文档网页的新基准）上，它的准确性比三个LLM的最强基线提高了 6.8 至 11.4 个百分点。