La Generación Aumentada por Recuperación (RAG) se ha convertido en un método prometedor para mejorar la precisión de las respuestas y mitigar errores factuales y alucinaciones mediante la incorporación de conocimiento no paramétrico de bases de conocimiento externas en los modelos. Sin embargo, los métodos RAG existentes realizan tareas de recuperación independientes e integran directamente la información recuperada en la generación sin mantener una memoria de resumen ni utilizar una estrategia de recuperación adaptativa, lo que provoca ruido debido a la información redundante y la falta de integración de la información en tareas de control de calidad de dominio abierto. En este artículo, proponemos la optimización basada en memoria adaptativa para RAG mejorada (Amber) para tareas de control de calidad de dominio abierto con el fin de abordar estos problemas. Amber consta de un actualizador de memoria basado en agente, un recolector de información adaptativo y un filtro de contenido multigrano, que trabajan juntos en un paradigma iterativo de actualización de memoria. Integra y optimiza la memoria de los modelos de lenguaje mediante un enfoque colaborativo multiagente para garantizar la integración completa del conocimiento de etapas de recuperación anteriores. Ajusta dinámicamente la consulta de recuperación según el conocimiento acumulado y determina cuándo detenerla, mejorando así su eficiencia y eficacia. Además, filtra el contenido irrelevante en múltiples niveles para reducir el ruido y retener la información esencial, mejorando así el rendimiento general del modelo. Hemos realizado experimentos exhaustivos con varios conjuntos de datos de control de calidad de dominio abierto, y los resultados demuestran la superioridad y eficacia del método propuesto y sus componentes.
