Исследователи представили DynaKRAG — унифицированный фреймворк для многошагового RAG, который динамически управляет процессом поиска доказательств. В отличие от жестких алгоритмов, система обучается контролировать этапы извлечения данных, переформулирования запросов и оценки достаточности информации. Это позволяет модели гибко реагировать на сложные вопросы, требующие последовательного сбора фактов и устранения пробелов в знаниях для формирования точных ответов.
Традиционные подходы к RAG часто опираются на фиксированные цепочки действий, что ограничивает их эффективность при работе с многоходовыми запросами. DynaKRAG внедряет механизм «обучаемого контроля доказательств», который позволяет системе самостоятельно решать, когда необходимо продолжить поиск, а когда собранных данных достаточно для генерации финального ответа. Такой подход минимизирует избыточность и повышает точность ответов в задачах, где требуется глубокий анализ связей между сущностями.
Архитектура фреймворка объединяет итеративный поиск, критику найденных документов и проверку полноты данных в единый обучаемый цикл. Это позволяет модели адаптироваться к специфике запроса в реальном времени, эффективно обрабатывая сложные логические цепочки. Использование DynaKRAG помогает снизить количество галлюцинаций и повысить релевантность извлекаемого контекста в сложных RAG-системах.
Ключевые факты
- DynaKRAG обеспечивает унифицированное управление операциями поиска, переформулирования и критики доказательств.
- Фреймворк решает проблему неэффективности жестких алгоритмов при обработке многошаговых (multi-hop) запросов.
- Система включает механизм оценки достаточности (sufficiency judging), который определяет момент завершения поиска.
- Метод направлен на снижение ошибок при выявлении скрытых связей между сущностями и устранение дефектов в исходных запросах.