MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning

要約

複雑な情報を求めるタスクにおける固有のあいまいさと推論の課題に対処する検索された生成（RAG）のマルチエージェントフレームワークであるMA-RAGを提示します。
エンドツーエンドの微調整または分離コンポーネントの強化に依存する従来のRAGメソッドとは異なり、MA-RAGは、Planner、Step Definer、Extractor、およびQAエージェントの特殊なAIエージェントの共同セットを調整し、RAGパイプラインの各段階をタスクアウェア推論とタックルします。
あいまいさは、検索された文書におけるスパースまたは間接的な証拠、または複数のソースに散在する情報を統合する必要性から、除外されていないクエリ、まばらまたは間接的な証拠から生じる可能性があります。
MA-RAGは、クエリの分解、エビデンス抽出、回答統合など、問題をサブタスクに分解し、考え方の促しを装備した専用エージェントに派遣することにより、これらの課題を軽減します。
これらのエージェントは、中間推論を伝え、検索および合成プロセスを徐々に改良します。
私たちの設計により、モデルの微調整なしに情報フローを細かく制御できます。
重要なことに、エージェントはオンデマンドで呼び出され、不必要な計算を回避する動的で効率的なワークフローを可能にします。
このモジュール式で推論駆動型アーキテクチャにより、MA-RAGは堅牢で解釈可能な結果を​​提供できます。
マルチホップと曖昧なQAベンチマークの実験は、MA-RAGが最先端のトレーニングのないベースラインを上回り、微調整されたシステムを微調整したことを示しており、RAGの共同エージェントベースの推論の有効性を検証します。

要約(オリジナル)

We present MA-RAG, a Multi-Agent framework for Retrieval-Augmented Generation (RAG) that addresses the inherent ambiguities and reasoning challenges in complex information-seeking tasks. Unlike conventional RAG methods that rely on either end-to-end fine-tuning or isolated component enhancements, MA-RAG orchestrates a collaborative set of specialized AI agents: Planner, Step Definer, Extractor, and QA Agents, to tackle each stage of the RAG pipeline with task-aware reasoning. Ambiguities may arise from underspecified queries, sparse or indirect evidence in retrieved documents, or the need to integrate information scattered across multiple sources. MA-RAG mitigates these challenges by decomposing the problem into subtasks, such as query disambiguation, evidence extraction, and answer synthesis, and dispatching them to dedicated agents equipped with chain-of-thought prompting. These agents communicate intermediate reasoning and progressively refine the retrieval and synthesis process. Our design allows fine-grained control over information flow without any model fine-tuning. Crucially, agents are invoked on demand, enabling a dynamic and efficient workflow that avoids unnecessary computation. This modular and reasoning-driven architecture enables MA-RAG to deliver robust, interpretable results. Experiments on multi-hop and ambiguous QA benchmarks demonstrate that MA-RAG outperforms state-of-the-art training-free baselines and rivals fine-tuned systems, validating the effectiveness of collaborative agent-based reasoning in RAG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google