微软与中国人民大学合作开发了一种名为CoRAG（Chain-of-Retrieval Augmented Generation）的新型检索增强生成（RAG）模型，旨在解决传统RAG方法在处理复杂查询时的局限性。传统RAG系统通常仅进行一次检索，这在多跳问答（Multi-Hop Question Answering, MQA）等复杂任务中可能导致信息不完整或不准确。CoRAG通过动态调整查询和逐步优化检索路径，显著提升了复杂查询的处理能力和生成答案的准确性。
1. 主要问题
传统RAG方法的主要问题在于：
- 单次检索的局限性：传统RAG系统在生成答案之前仅进行一次检索，这使得它们难以整合多源信息，特别是在需要多步推理的任务中，容易导致答案不完整或错误。
- 复杂查询的挑战：在多跳问答任务中，传统RAG系统可能因一次检索的信息不足而无法生成准确的答案。
2. 解决方案
CoRAG的核心创新在于其动态查询重构机制，通过以下方式优化了传统RAG模型：
-
生成检索链（类似推理模型的思维链）：CoRAG允许模型根据当前状态动态调整查询，逐步生成中间检索链。每个检索链包含多个子查询和子答案，最终逐步接近用户的问题。
主要流程大概是：用户问题 -- 子查询 -- 子答案 -- 子查询n -- 子答案n --最终答案。在不断问问题、回答的过程中接近最终答案。
-
拒绝采样技术：通过拒绝采样技术，CoRAG从现有的数据集中生成合理的检索链，并在训练过程中增强仅提供正确最终答案的RAG数据集。
-
拒绝采样个人理解就是求概率，选出分数最高的一个。之所以要微调训练，就是因为需要生成子查询、子回答、最终回答这种CoRAG范式。
3.总结
这篇文章的主要思路就是：用户问题到正确答案之间还有一段推理过程，不是简单问题，回答可以直给，因此需要不断问问题，总结最新的资讯来推进这个推理过程
整个过程就是模仿人类面对需要推理的问题时的思考过程，不断重复问问题，回答问题的过程从而得到最终结果。
