摘要
检索增强生成（RAG）是将大语言模型锚定于外部知识的基础范式。现有方法常将检索失败视为重试信号而非诊断对象，忽视了查询与证据空间的结构错位。本文提出 Skill-RAG，一种故障感知框架，结合轻量级隐藏状态探测器与基于提示的技能路由器。探测器在两个阶段门控检索，一旦检测到故障，路由器即诊断成因并从查询重写、问题分解、证据聚焦及退出四种技能中选择其一，以在下次生成前纠正错位。实验表明，该方法显著提升了多轮检索后疑难案例的准确率，尤其在分布外数据集上表现优异。
AI 推荐理由
论文核心提出技能路由机制，动态选择查询重写等四种检索技能以修正对齐偏差。
研究机构
University of Michigan
Ann Arbor, Michigan, USA
University of British Columbia
Vancouver, British Columbia, Canada
Rutgers University
New Brunswick, New Jersey, USA
University of Pennsylvania Perelman School of Medicine
Philadelphia, Pennsylvania, USA
New Jersey Institute of Technology
Newark, New Jersey, USA
Technical University of Darmstadt
Darmstadt, Germany
论文信息