再看自顺应RAG方法：SEAKR|PIKE-RAG|DeepRAG

当大语言模子开始"猜疑人生"：一场关于知识检索的AI内心戏

各位看官，今天我们要聊一个AI界的"哲学困难"——当大语言模子忽然意识到自己可能是个"半瓶子醋"，会发生什么奇妙反应？
想象一下这个场景：某天深夜，ChatGPT正对着用户提问"怎样造火箭"陷入沉思。它的大脑（参数）里明明只有《星际穿越》的剧情和马斯克的推特碎片，却忽然涌起一股莫名的自负：“这个问题简朴！燃料箱+推进器+点火=送人类上火星！”
——这就是AI圈闻名的"幻觉发作"现场。
传统解决方案就像给AI配了个随身图书管理员（RAG系统），每次提问都往它手里塞百科全书。但很快人们发现：

• 问"今每天气"时AI抱着《情形学概论》瑟瑟发抖
  
• 问"1+1便是几"时AI在《高等数学》里溺水挣扎
  
• 最惨的是问"晚饭吃什么"，AI居然掏出了《分子料理指南》和《有机化学手册》
  

这时候，三位"AI心理医生"带着创新方案闪亮登场：

• SEAKR：给AI装了个"自我猜疑探测器"，当模子内心OS"这题我虚…"时自动触发知识检索
  
• PIKE-RAG：像室内设计师一样，先搞清用户到底想要宜家简约风照旧巴洛克奢华风
  
• DeepRAG：变身外卖骑手，知道抄近路送"常识快餐"，绕远路取"专业知识外卖"
  

下面请欣赏AI界的《楚门的世界》——当大语言模子开始猜疑自己的影象，它们会怎样在这个布满知识迷雾的世界里寻找本相？且看正文分解…
（忽然被AI助理打断：“主人您这段开场白…确定不会让读者觉得我们编辑部集体嗑药了吗？”）
释放LLM的自我意识：SEAKR怎样通过自顺应知识检索提升问答性能

随着大语言模子（LLM）的遍及，一个关键缺陷渐渐暴露：幻觉问题——模子生成的内容听起来合理，实则与事实不符。这一问题在模子内部知识不足时尤为严峻，导致模子纵然信心满满，输出效果仍是错误的。
传统检索加强生成（RAG）方法试图通过为每个查询集成外部知识来缓解这一问题。然而，这种方法效率低下，甚至可能适得其反，尤其是当检索到的知识布满噪音或无关时。

图1：自顺应RAG主要关注1）何时检索，以及2）怎样整合检索到的知识。泉源：SEAKR。
本文介绍了一项名为“SEAKR”的新研究。该研究提出了一个创新概念：使用模子对不确定性的自我感知，动态决定何时以及怎样检索和整合外部知识，从而在效率和准确性之间实现最优平衡，如图1所示。
解决方案

概述

图2：SEAKR的整体框架。泉源：SEAKR。
与现有自顺应RAG方法不同（后者仅依靠模子输出来判定是否必要检索），SEAKR使用了模子的自我感知不确定性——这一指标直接提取自LLM的内部状态。这使得SEAKR能更准确地评估模子是否具备足够知识往返答问题，或是否必要外部信息支持。
SEAKR基于三大核心组件构建：

• 一个检索并排序相关知识片断的搜索引擎
  
• 一个处理输入上下文并生成续写的LLM
  
• 一个量化LLM输出置信度的自我感知不确定性估计器
  

SEAKR采用迭代的思维链（CoT）推理策略，根据LLM的内部不确定性动态决定是否检索外部知识。若需检索，SEAKR会对知识重新排序，选择最相关的片断，并将其与

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。