La Generación Aumentada por Recuperación (RAG) es un enfoque prometedor que integra conocimiento no paramétrico de bases de conocimiento externas en modelos para mejorar la precisión de las respuestas y mitigar errores factuales y alucinaciones. Sin embargo, los métodos RAG existentes realizan tareas de recuperación independientes e integran directamente la información recuperada en el proceso de generación sin mantener una memoria de resumen ni utilizar una estrategia de recuperación adaptativa. En consecuencia, presentan dificultades en tareas de control de calidad (QA) de dominio abierto debido al ruido causado por información redundante y una integración insuficiente de la información. En este artículo, proponemos la Optimización Adaptativa Basada en Memoria (Amber) para una RAG mejorada para tareas de QA de dominio abierto. Amber consta de un actualizador de memoria basado en agente, un recolector de información adaptativo y un filtro de contenido multigrano, todos ellos operando en un paradigma iterativo de actualización de memoria. Un enfoque colaborativo multiagente integra y optimiza la memoria del modelo de lenguaje, garantizando una integración completa del conocimiento de los pasos de recuperación previos. 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. Demostramos la superioridad y eficacia de nuestro método y componentes mediante experimentos exhaustivos con varios conjuntos de datos de control de calidad de dominio abierto.
