跳转至

MASS-RAG: Multi-Agent Synthesis Retrieval-Augmented Generation

论文基本信息

  • 作者: Xingchen Xiao, Heyan Huang, Runheng Liu
  • 方向: 多智能体检索增强生成（Multi-Agent RAG）
  • 应用: 开放域问答、知识密集型任务

研究背景与问题

大语言模型（LLM）在检索增强生成（RAG）中依赖外部知识，但当检索到的上下文噪声、不完整或异构时，单一生成过程往往难以有效协调证据。传统 RAG 采用单轮检索-生成范式，在面对多源、冲突或复杂的证据时存在明显瓶颈。

核心方法：MASS-RAG

MASS-RAG 提出了一个多智能体合成方法，将证据处理结构化为多个角色专用的智能体：

  1. 角色专业化智能体：不同智能体承担不同角色（如搜索者、评估者、综合者），专门处理特定类型的证据
  2. 多智能体协作：通过智能体间协作，协调来自不同来源的异构信息
  3. 冲突解决机制：当证据存在冲突时，智能体间通过辩论和验证达成共识

核心贡献

  1. 多角色专业化架构：将 RAG 的证据处理分解为多个专职责能体，提升处理复杂多源证据的能力
  2. 噪声鲁棒的证据协调：在噪声环境下仍能有效整合矛盾信息
  3. 模块化设计：可灵活接入不同的基础 LLM 和检索系统

为什么重要

RAG 是 LLM Agent 获取最新知识的核心手段。传统单智能体 RAG 在面对复杂查询时容易受到噪声证据的干扰。MASS-RAG 通过多智能体分工协作，显著提升了在噪声、异构知识环境下的推理可靠性，对构建更鲁棒的 Agent 系统具有重要参考价值。

与端侧/移动端的相关性

虽然 MASS-RAG 主要面向云端部署的多智能体系统，但其多角色协作的模块化设计理念可用于端侧 Agent 的知识检索优化，降低单次推理的计算负担。

参考文献