目录
传统的RAG问答系统构建流程一般分为三步：构建文本索引、检索文本内容和生成回答。这种方法只通过单次检索来寻找相关文本，而且没有对检索和生成过程进行额外优化，这大大限制了系统的检索质量与回答质量。随着RAG技术的发展，后续出现了更为复杂的高级检索增强和模块化检索增强。虽然这些方法在某些方面取得了进展，但仍存在以下问题：1.检索质量问题。这包括检索到的内容有时与用户问题的一致性或相关性不佳、检索得到的结果不够全面、检索结果过度冗长等。2.回答质量问题。受到检索质量的影响，大模型可能出现被无关上下文误导的情况。此外，参数记忆与非参数记忆混淆的现象也可能导致大语言模型回答效果不佳。3.数据隐私问题。当知识库中包含敏感信息时，若使用三方大语言模型作为回答模型，则可能导致隐私泄露问题[4]。一方面，用户的信息可能被用于进一步训练模型，这就有可能让黑客得以通过模型的某些提问漏洞(如著名的奶奶漏洞)，从模型的回答中获取这些敏感数据。另一方面，存储在这些平台上的用户问答数据也存在各种因素导致的数据泄露的风险。
针对上文所述的检索质量与回答质量问题，本文设计了一个改进的迭代检