OA-RAG：基于本体的智能体 RAG，提升 LLM 推理忠实度

查看 PDF HTML（实验性）

摘要：大语言模型（LLM）在许多真实世界任务中表现良好，但仍容易出现幻觉，这限制了它们在生物医学和医疗健康等领域的可靠性，因为这些领域的答案必须建立在既有知识之上。检索增强生成（RAG）通过引入外部信息来缓解这一问题，但往往忽视逻辑关系，并严重依赖 LLM 自身的推理，这可能损害答案的忠实性。我们提出 OA-RAG，这是一个将形式推理与 LLM 推理相结合的智能体，同时利用领域本体的逻辑结构和非形式化注释。对于每个答案，OA-RAG 会报告用作证据的本体观察结果，以及一个由模型评估的接地等级（蕴含、支持、相关或不相关），用以刻画该证据的强度。在源自三个大规模本体和六个真实世界医学问答任务的基准测试中，OA-RAG 在所评估的本体微调方法和主流 RAG 方法中取得了最佳的整体性能，在推理密集型任务上表现尤为突出。所报告的接地等级也为答案可靠性提供了有用的指示，通常接地越强，准确率越高。最后，我们的结果证明了本体作为知识源的价值：OA-RAG 与利用教科书等来源的领域特定 RAG 系统相比具有竞争力，有时甚至优于后者。

提交历史

来自：Hui Yang [查看邮箱]
[v1] 2026年10月26日 星期一 22:04:58 UTC（74 KB）