Retrieval-Augmented Generation (RAG)은 외부 지식 베이스의 비모수적 지식을 모델에 통합하여 응답 정확도를 높이고 사실 오류 및 환각을 완화하는 유망한 접근 방식입니다. 하지만 기존 RAG 방식은 독립적인 검색 작업을 수행하고 요약 메모리를 유지하거나 적응형 검색 전략을 사용하지 않고 검색된 정보를 생성에 직접 통합하기 때문에 중복 정보로 인한 노이즈와 정보 통합 부족 문제를 야기하여 개방형 질의응답(QA) 작업에서 어려움을 겪습니다. 본 논문에서는 개방형 QA 작업을 위한 향상된 RAG를 위한 적응형 메모리 기반 최적화(Amber)를 제안합니다. Amber는 에이전트 기반 메모리 업데이터, 적응형 정보 수집기, 다중 입자 콘텐츠 필터로 구성되며, 반복적인 메모리 업데이트 패러다임 내에서 함께 작동합니다. 다중 에이전트 협업 접근 방식을 통해 언어 모델의 메모리를 통합 및 최적화하여 이전 검색 단계의 포괄적인 지식 통합을 보장합니다. 누적된 지식에 따라 검색 쿼리를 동적으로 조정하고 검색을 중지할 시점을 결정하여 검색 효율성과 효과를 높입니다. 또한 여러 수준에서 무관한 콘텐츠를 필터링하여 노이즈를 줄이고 필수 정보를 유지하여 전체 모델 성능을 향상시킵니다. 여러 개방형 QA 데이터 세트에 대한 광범위한 실험을 수행했으며, 결과는 제안된 방법과 구성 요소의 우수성과 효과를 보여줍니다.
