Dans cet article, nous proposons Amber (Optimisation adaptative basée sur la mémoire pour un RAG amélioré), une nouvelle méthode pour les tâches de réponse aux questions (AQ) en domaine ouvert, afin de surmonter le __T71604__ de la méthode existante de génération augmentée de récupération (RAG). Amber se compose de trois composants : un agent de mise à jour de mémoire, un collecteur d'informations adaptatif et un filtre de contenu multigranulaire, qui interagissent au sein d'un paradigme de mise à jour itérative de la mémoire. Grâce à une approche collaborative multi-agents, la méthode intègre et optimise la mémoire des modèles de langage afin d'intégrer de manière exhaustive les connaissances acquises lors des étapes de récupération précédentes, d'ajuster dynamiquement les requêtes de récupération en fonction des connaissances accumulées et de déterminer le moment d'arrêt de la récupération, améliorant ainsi l'efficacité de la récupération. De plus, elle améliore les performances du modèle en réduisant le bruit et en conservant les informations essentielles grâce à un filtrage du contenu non pertinent en plusieurs étapes. Nous démontrons la supériorité et l'efficacité de la méthode proposée et de ses composants par des expériences approfondies sur plusieurs jeux de données d'AQ en domaine ouvert.
