Il Framework AutoSearch RL Ottimizza l'Efficienza di Ricerca degli Agenti AI nei Sistemi RAG

Un nuovo framework di apprendimento per rinforzo chiamato AutoSearch affronta le inefficienze nei sistemi agentici di generazione aumentata dal recupero (RAG). Questi sistemi RAG consentono ai grandi modelli linguistici di affrontare compiti complessi attraverso interazioni multi-step con strumenti di recupero esterni, ma spesso coinvolgono passaggi di ricerca ridondanti che aumentano i costi computazionali e la latenza. Gli approcci precedenti limitavano la profondità di ricerca per ridurre le spese, ma ciò spesso risultava in un'esplorazione insufficiente di domande complicate. La ricerca che esamina come la profondità di ricerca influisca sull'accuratezza ha rivelato una profondità di ricerca minima sufficiente che stabilisce un compromesso tra accuratezza ed efficienza, determinato congiuntamente dalla complessità della domanda e dalla capacità dell'agente. AutoSearch impiega un meccanismo di auto-risposta che valuta ogni passo di ricerca attraverso risposte intermedie auto-generate, identificando questa profondità di ricerca ottimale e promuovendo processi di ricerca più efficienti. Il framework è stato dettagliato in un nuovo articolo pubblicato su arXiv con identificatore 2604.17337v1.