यह पत्र रिट्रीवल ऑगमेंटेड जेनरेशन (RAG) की चुनौती का समाधान करने के लिए सहयोगी एजेंट श्रृंखला (CoCoA) फ्रेमवर्क का प्रस्ताव करता है, जो ज्ञान-गहन कार्यों में बड़े पैमाने पर भाषा मॉडल (LLM) के प्रदर्शन में सुधार के लिए एक आशाजनक फ्रेमवर्क है। मौजूदा RAG विधियाँ मॉडल के आंतरिक पैरामीटर ज्ञान और बाह्य पुनर्प्राप्ति ज्ञान के बीच तालमेल का पूरी तरह से लाभ उठाने में विफल रहती हैं, लेकिन CoCoA एक बहु-एजेंट दृष्टिकोण के माध्यम से इस चुनौती पर विजय प्राप्त करता है। सबसे पहले, हम CoCoA-शून्य प्रस्तुत करते हैं, जो सशर्त ज्ञान प्रेरण के बाद अनुमान लगाता है। इसके आधार पर, हम CoCoA विकसित करते हैं, जो एक विस्तारित बहु-एजेंट अनुमान पथ को संश्लेषित करके LLM को परिष्कृत करता है। प्रायोगिक परिणाम प्रदर्शित करते हैं कि CoCoA-शून्य और CoCoA ओपन-डोमेन और बहु-चरणीय प्रश्न-उत्तर कार्यों में बेहतर प्रदर्शन प्राप्त करते हैं।
