图RAG使用率暴降59%！这个即插即用适配器让混合RAG又快又准
R$^{2}$Adapter: A Routing and Rewriting Adapter for Efficient Hybrid RAG
📖 AI 总结
该论文提出了一种名为R²Adapter的轻量级路由与重写适配器，用于优化混合文本-图检索增强生成（RAG）系统的效率。传统RAG擅长处理简单查询，但在关系或多跳推理任务上表现不足，而基于图的RAG虽能缓解该问题，却带来更高的推理复杂度和延迟。现有混合方法依赖启发式或LLM路由，造成不必要的开销和模型依赖。R²Adapter通过动态将查询分配给普通RAG或图RAG，仅将真正需要图推理的查询路由至图检索，从而减少冗余计算；同时，对不确定的图路由查询进行重写，以更清晰地表达多跳推理需求，提升检索质量且无需额外监督。在三个多跳问答基准上的实验表明，该方法在保持答案准确率的同时，将图RAG使用率降低了最多59%。该适配器与模型无关，可无缝集成至多种RAG流程，为混合RAG系统提供了高效且自适应的解决方案。
🔑 关键词速览
| Retrieval-Augmented Generation (RAG) | 检索增强生成，一种结合外部知识检索与语言模型生成的技术范式。 |
| Graph-based RAG | 基于图的检索增强生成，利用图结构知识库增强多跳推理能力。 |
| Routing | 路由，指在混合RAG系统中决定查询分配给哪种检索策略的机制。 |
| Rewriting | 重写，指对查询进行改写以更清晰地表达其推理需求，提升检索效果。 |
| Multi-hop QA | 多跳问答，需要模型通过多个推理步骤关联信息来回答的问题任务。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅