蚂蚁集团发布针对多跳问答任务的增强型检索-生成（RAG）框架HANRAG

蚂蚁集团发布新型框架HANRAG，这是一个针对多跳问答任务的增强型检索-生成（RAG）框架，通过结合启发式方法和强大的“启示者”（Revelator）主代理，高效处理各种复杂性的问题，提高多跳问答系统在处理复杂查询时的准确性和效率。

• 论文：https://arxiv.org/abs/2509.09713

例如，对于一个复杂的多跳问题，如“谁是纳米比亚的第一任总统的继任者？”，HANRAG 能够通过逐步检索和生成，最终得出准确答案。与传统的 RAG 方法相比，HANRAG 在处理多跳查询时表现出更高的准确性和效率。

主要功能

1. 查询路由：HANRAG 能够根据查询的复杂性将其路由到相应的处理链，包括直接回答、单步检索、复合查询处理和复杂查询处理。
2. 复合查询分解：对于复合查询（包含多个子查询的问题），HANRAG 能够将其分解为多个独立的子查询，并并行处理每个子查询。
3. 复杂查询细化：对于复杂查询（需要多步逻辑推理的问题），HANRAG 能够逐步细化子查询，并在每一步中进行检索和生成。
4. 噪声过滤：HANRAG 通过评估检索到的文档与查询的相关性，过滤掉无关的噪声文档，确保传递给生成模型的信息准确无误。

主要特点

1. 启发式方法：HANRAG 引入了一种启发式方法来处理不同类型的查询，提高了系统的适应性和鲁棒性。
2. 高效的复合查询处理：通过并行检索机制，HANRAG 能够高效地处理复合查询，减少了检索步骤。
3. 逐步细化复杂查询：HANRAG 能够逐步细化复杂查询中的子查询，确保每一步的检索和生成都基于最相关的信息。
4. 强大的噪声抵抗能力：通过相关性评估，HANRAG 能够过滤掉与查询无关的噪声文档，提高了生成答案的准确性。

工作原理

HANRAG 的工作原理基于以下几个关键步骤：

1. 查询路由：HANRAG 首先将查询路由到相应的处理链，包括直接回答、单步检索、复合查询处理和复杂查询处理。
2. 复合查询分解：对于复合查询，HANRAG 将其分解为多个独立的子查询，并并行处理每个子查询。
3. 复杂查询细化：对于复杂查询，HANRAG 逐步细化子查询，并在每一步中进行检索和生成。
4. 噪声过滤：HANRAG 通过评估检索到的文档与查询的相关性，过滤掉无关的噪声文档，确保传递给生成模型的信息准确无误。
5. 生成答案：最终，HANRAG 将所有相关信息传递给生成模型，生成最终答案。

测试结果

实验结果表明，HANRAG 在多个基准测试中表现出色，特别是在多跳问答任务中。具体结果如下：

• 单跳查询：HANRAG 在 SQuAD、Natural Questions 和 TriviaQA 数据集上均取得了最优或接近最优的结果，与 Adaptive-RAG 相比，EM、F1 和 Accuracy 分别提高了 12.2%、6.83% 和 20.13%。
• 复杂查询：在 HotpotQA、2WikiMultihopQA 和 MuSiQue 数据集上，HANRAG 的 EM、F1 和 Accuracy 分别比 Adaptive-RAG 提高了 6.67%、6.34% 和 16.17%。
• 复合查询：在复合查询基准测试中，HANRAG 的 Accuracy 比 Adaptive-RAG 提高了 19.63%，并且显著减少了检索步骤。