La génération augmentée par récupération (RAG) s'est révélée une méthode prometteuse pour améliorer la précision des réponses et atténuer les erreurs factuelles et les hallucinations en intégrant aux modèles des connaissances non paramétriques issues de bases de connaissances externes. Cependant, les méthodes RAG existantes effectuent des tâches de récupération indépendantes et intègrent directement les informations récupérées dans la génération, sans conserver de mémoire récapitulative ni recourir à une stratégie de récupération adaptative. Ce processus génère du bruit en raison de la redondance des informations et du manque d'intégration des informations dans les tâches d'assurance qualité en domaine ouvert. Dans cet article, nous proposons une optimisation adaptative basée sur la mémoire pour une RAG améliorée (Amber) pour les tâches d'assurance qualité en domaine ouvert afin de résoudre ces problèmes. Amber comprend un système de mise à jour de mémoire basé sur des agents, un collecteur d'informations adaptatif et un filtre de contenu multi-granules, qui fonctionnent ensemble dans un paradigme de mise à jour itérative de la mémoire. Il intègre et optimise la mémoire des modèles de langage grâce à une approche collaborative multi-agents afin de garantir une intégration complète des connaissances issues des étapes de récupération précédentes. Il ajuste dynamiquement la requête de récupération en fonction des connaissances accumulées et détermine le moment où arrêter la récupération, améliorant ainsi l'efficacité et l'efficience de la récupération. Il filtre également le contenu non pertinent à plusieurs niveaux afin de réduire le bruit et de conserver les informations essentielles, améliorant ainsi les performances globales du modèle. Nous avons mené des expériences approfondies sur plusieurs ensembles de données d'assurance qualité en domaine ouvert, et les résultats démontrent la supériorité et l'efficacité de la méthode proposée et de ses composants.
