Iterate Until Retrieved: Factual Nugget Optimization for Discoverable Continual Corrections in Agentic RAG
本文介绍了迭代性事实片段优化（INO），这是一种在索引阶段采用的方法，通过在生产级检索增强生成（RAG）代理测试中对其进行迭代优化，将自由形式的事实修正转化为经过优化的“事实片段”，以确保其在 B2B 知识辅助系统中的可发现性与有效利用。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你为一个非常聪明、乐于助人的机器人助手工作，它负责回答有关公司产品的问题。有时，机器人会搞错事实。一位人类用户可能会说：“实际上，那不对。密码重置功能仅适用于经理，不适用于普通员工。”
在过去，修正这类问题很棘手。你不能直接编辑机器人那本庞大的指令手册，因为这可能会破坏其他内容；而且，如果新规则被埋藏在巨大的文档中，机器人可能根本“听”不到。
本文介绍了一种教导机器人的新方法：迭代碎片优化（Iterative Nugget Optimization, INO）。你可以把它想象成一个“尝试、失败、再调整”的系统，它将用户的纠正转化为一张微小却极其耐用的事实卡片，称为“事实碎片（factual nugget）”。
以下是其工作原理，使用简单的类比说明：
1. 问题：大海捞针
想象机器人的知识库是一座拥有数百万本书（文档）的巨型图书馆。当用户提出问题时，机器人必须瞬间找到正确的书。
- 问题所在：如果你只是写一张新的事实卡片并把它丢进图书馆，机器人可能会错过它。用户可能会问：“如何重置密码？”但新卡片的标题却是“经理专用 SSO 重置策略”。由于措辞不完全匹配，机器人可能无法将两者联系起来。
2. 解决方案：“事实碎片”
与其重写整座图书馆，不如让系统创建一张事实碎片。
- 它是什么？ 一张微小、自成一体的便签（就像便利贴），上面只写一条经过修正的事实。
- 目标：这张便签必须足够清晰、标签足够明确，无论用户日后如何提问，机器人都能立即找到它。
3. 魔法技巧：“试驾”（INO）
这是核心创新。系统并非仅仅写好便签就寄希望于好运，而是在便签正式上线前，让它经历一次试驾。
将 INO 想象成一个排练室：
- 起草初稿：系统根据用户的纠正意见，撰写一张事实碎片的草稿。
- 试运行：系统将此草稿放入机器人的图书馆，并向机器人提出一系列问题。它不仅仅询问原始问题，还会提出许多不同版本的变体（例如：“我该如何更改密码？”、“我能重置登录信息吗？”、“谁可以重置密码？”）。
- “失败”检查：如果机器人没有找到该碎片，或者找到了错误的书，系统不会放弃。
- 反思：一位 AI“教练”会分析机器人失败的原因。是标题听起来太技术化？还是遗漏了某个关键词？
- 重写：教练会重写该碎片，使其更易于被找到。也许它会添加一个同义词，或者澄清标题。
- 重复：系统再次测试新版本。它会不断重复这一循环（最多 3 次），直到机器人被提问时总是能找到该碎片。
4. 结果：为何重要
研究人员在现实世界的业务机器人上测试了这种方法（一个用于回答客户问题，另一个用于协助支持工程师）。
- 基线表现：如果没有这种“试驾”循环，机器人仅能在**50-60%**的情况下找到新事实。
- 使用 INO 后：机器人找到新事实的比例提升至77-97%。
- 影响：因为机器人找到了该事实，它给出正确答案的频率大大提高。它不仅仅是死记硬背确切的问题，而是学会了识别问题背后的概念，即使措辞不同也能识别。
5. 现实应用状态
这不仅仅是一个理论。论文指出，该系统已在其客户的生产环境中运行。它每周处理数百个此类“碎片”，自动修正错误，无需人工手动编辑机器人的“大脑”。
简而言之：这篇论文教导我们，如何通过让机器人反复练习寻找，直到它完全掌握，从而将单个用户的纠正转化为一个被保证能被机器人找到的“超级事实”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。