RH-RAG: Trustworthy Long-Form Generation for Privacy-Constrained Settings
RH-RAG 是一个专为隐私受限环境设计的多智能体框架，它通过协调规划、写作和验证智能体，并利用双层检索索引，在不依赖专有云端 API 的情况下，实现在本地硬件上进行可靠的长文本生成，从而确保事实准确性和语义连贯性。
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，你正试图撰写一部关于一段秘密家族史的宏大且详尽的故事，但你被严格禁止向家以外的任何人展示你的笔记。你不能向云端那位无所不知的著名图书管理员寻求帮助，因为那会泄露你的家族秘密。因此，你必须依靠一个住在你自家地下室里的聪明机器人。问题在于，这个机器人擅长写短句，但当被要求写一整本书时，它就会开始变得混乱。它写到一半时就会忘记开头，编造从未发生过的事实，并失去对主线剧情的掌控。这就是那些需要保护数据隐私的机构（如银行或医院）在进行“长文本生成”时面临的挑战。他们需要一种方法，能够仅利用自己的本地计算机来编写长篇且准确的文件，而不让机器人发疯或胡编乱造。
RH-RAG 应运而生，它是一种全新的方法，就像是一个为这些注重隐私的机器人准备的超有组织性的写作团队。它并没有让一个机器人尝试一次性写完一整本书，而是将工作拆分为三个专门的角色，模拟人类作者的工作方式：规划者（Planner）、作者（Writer）和检查员（Checker）。
首先，规划者不会立即开始写作。相反，它会查看秘密文档的“目录”，并创建一个严格的大纲。它决定了每一章的具体内容以及每一部分所需的特定事实。这就像是在铺设第一块砖之前，建筑师先绘制蓝图一样。这能防止故事偏离主题。
接着，作者接手工作，但它有一个特别的技巧。它不会试图记住目前为止写过的整本书（否则会使机器人的记忆过载），而是只保留一份关于前一章节的微型摘要“参考表”以及整个故事的主题。这使得它能够一次只写一个章节，而不会迷失方向或重复自身，从而确保故事从头到尾流畅衔接。
最后，也是最重要的一步，检查员介入了。在任何章节被加入最终书籍之前，这个智能体都会扮演严厉的事实核查员的角色。它会将作者提出的每一个主张与原始秘密文档进行对比。如果作者说“银行损失了500万美元”，但文档显示是“50万美元”，检查员会立即发现。如果某个事实没有依据，系统会将作者送回并要求其修正。这个循环会一直运行，直到事实确凿无误。
研究人员在三种截然不同的写作类型上测试了这组机器人团队：复杂的文学故事、详细的财务报告以及复杂的法律案例。他们发现，这个三步走的团队所生成的文档，其准确性和连贯性都远高于标准方法。事实上，使用 RH-RAG 的本地机器人所表现出的真实程度，已经非常接近那些昂贵的、基于云端的超级智能，但却从未将任何私密数据发送到建筑之外。事实证明，只要有了正确的结构和优秀的检查员，即使是本地机器人也能写出一本可靠的长篇巨著，而不会丧失理智。
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。