पुनर्प्राप्ति-संवर्धित जनरेशन (RAG) एक आशाजनक दृष्टिकोण है जो बाहरी ज्ञानकोषों से गैर-पैरामीट्रिक ज्ञान को मॉडलों में एकीकृत करता है ताकि प्रतिक्रिया सटीकता में सुधार हो और तथ्यात्मक त्रुटियों और विभ्रमों को कम किया जा सके। हालाँकि, मौजूदा RAG विधियाँ स्वतंत्र पुनर्प्राप्ति कार्य करती हैं और सारांश स्मृति बनाए रखने या अनुकूली पुनर्प्राप्ति रणनीति का उपयोग किए बिना पुनर्प्राप्त जानकारी को सीधे जनरेशन प्रक्रिया में एकीकृत करती हैं। परिणामस्वरूप, अनावश्यक जानकारी और अपर्याप्त सूचना एकीकरण के कारण उत्पन्न शोर के कारण वे ओपन-डोमेन QA कार्यों में संघर्ष करते हैं। इस पत्र में, हम ओपन-डोमेन QA कार्यों के लिए एक बेहतर RAG हेतु अनुकूली स्मृति-आधारित अनुकूलन (Amber) का प्रस्ताव करते हैं। Amber में एक एजेंट-आधारित स्मृति अद्यतनक, एक अनुकूली सूचना संग्राहक और एक बहु-अनाज सामग्री फ़िल्टर शामिल हैं, जो सभी एक पुनरावृत्त स्मृति अद्यतन प्रतिमान में कार्य करते हैं। एक बहु-एजेंट सहयोगी दृष्टिकोण भाषा मॉडल की स्मृति को एकीकृत और अनुकूलित करता है, जिससे पिछले पुनर्प्राप्ति चरणों से व्यापक ज्ञान एकीकरण सुनिश्चित होता है। यह संचित ज्ञान के आधार पर पुनर्प्राप्ति क्वेरी को गतिशील रूप से समायोजित करता है और पुनर्प्राप्ति को कब रोकना है, यह निर्धारित करता है, जिससे पुनर्प्राप्ति दक्षता और प्रभावशीलता में वृद्धि होती है। इसके अलावा, यह शोर को कम करने और आवश्यक जानकारी को बनाए रखने के लिए कई स्तरों पर अप्रासंगिक सामग्री को फ़िल्टर करता है, जिससे समग्र मॉडल प्रदर्शन में सुधार होता है। हम कई ओपन-डोमेन QA डेटासेट पर व्यापक प्रयोगों के माध्यम से अपनी विधि और घटकों की श्रेष्ठता और प्रभावशीलता प्रदर्शित करते हैं।
