論文の概要: Interact-RAG: Reason and Interact with the Corpus, Beyond Black-Box Retrieval

• arxiv url: http://arxiv.org/abs/2510.27566v1
• Date: Fri, 31 Oct 2025 15:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.157424
• Title: Interact-RAG: Reason and Interact with the Corpus, Beyond Black-Box Retrieval
• Title（参考訳）: Interact-RAG: ブラックボックス検索以外の企業とのインタラクション
• Authors: Yulong Hui, Chao Chen, Zhihang Fu, Yihao Liu, Jieping Ye, Huanchen Zhang,
• Abstract要約: 本稿では,ILMエージェントを検索プロセスのアクティブマニピュレータに高める新しいパラダイムであるInteract-RAGを紹介する。 我々は、ゼロショット実行と相互作用軌跡の合成を可能にする推論強化ワークフローを開発する。 6つのベンチマーク実験により、Interact-RAGは他の高度な手法よりも大幅に優れていることが示された。
• 参考スコア（独自算出の注目度）: 49.85856484781787
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) has significantly enhanced LLMs by incorporating external information. However, prevailing agentic RAG approaches are constrained by a critical limitation: they treat the retrieval process as a black-box querying operation. This confines agents' actions to query issuing, hindering its ability to tackle complex information-seeking tasks. To address this, we introduce Interact-RAG, a new paradigm that elevates the LLM agent from a passive query issuer into an active manipulator of the retrieval process. We dismantle the black-box with a Corpus Interaction Engine, equipping the agent with a set of action primitives for fine-grained control over information retrieval. To further empower the agent on the entire RAG pipeline, we first develop a reasoning-enhanced workflow, which enables both zero-shot execution and the synthesis of interaction trajectories. We then leverage this synthetic data to train a fully autonomous end-to-end agent via Supervised Fine-Tuning (SFT), followed by refinement with Reinforcement Learning (RL). Extensive experiments across six benchmarks demonstrate that Interact-RAG significantly outperforms other advanced methods, validating the efficacy of our reasoning-interaction strategy.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、外部情報を組み込むことでLLMを大幅に強化した。 しかし、一般的なエージェントRAGアプローチは、検索プロセスをブラックボックスクエリ操作として扱うという限界によって制約されている。 これは、発行をクエリするエージェントのアクションを制限し、複雑な情報検索タスクに対処する能力を妨げます。 そこで本研究では,レスポンシブクエリ発行者からLLMエージェントを検索プロセスのアクティブマニピュレータに昇格させる新たなパラダイムであるInteract-RAGを紹介する。 我々は、ブラックボックスをコーパスインタラクションエンジンで分解し、エージェントに情報検索のきめ細かい制御のためのアクションプリミティブセットを装備する。 RAGパイプライン全体のエージェントをさらに強化するために、まず、ゼロショット実行と相互作用軌跡の合成を可能にする推論強化ワークフローを開発する。 次に、この合成データを利用して、Supervised Fine-Tuning (SFT)を介して完全に自律的なエンドツーエンドエージェントをトレーニングし、さらにReinforcement Learning (RL)による改善を行った。 6つのベンチマークによる大規模な実験により、Interact-RAGは他の高度な手法よりも優れており、推論-相互作用戦略の有効性が検証されている。

関連論文リスト

• WebSailor-V2: Bridging the Chasm to Proprietary Agents via Synthetic Data and Scalable Reinforcement Learning [73.91893534088798]
  WebSailorは、この重要な機能を組み込むように設計された、完全なポストトレーニング方法論である。 我々のアプローチは、構造化サンプリングと情報難読化によって、新しい、不確実なタスクを生成することである。 WebSailorは複雑な情報検索タスクにおいて、すべてのオープンソースエージェントを著しく上回る。
  論文  参考訳（メタデータ） (2025-09-16T17:57:03Z)
• AutoBnB-RAG: Enhancing Multi-Agent Incident Response with Retrieval-Augmented Generation [0.5013248430919223]
  AutoBnB-RAGは、検索拡張生成(RAG)をマルチエージェントインシデント応答シミュレーションに組み込んだAutoBnBフレームワークの拡張である。 Backdoors & Breaches (B&B) テーブルトップゲーム環境上に構築されたAutoBnB-RAGは、エージェントが検索クエリを発行し、共同調査中に外部証拠を組み込むことを可能にする。
  論文  参考訳（メタデータ） (2025-08-18T17:22:51Z)
• SAND: Boosting LLM Agents with Self-Taught Action Deliberation [54.48979740613828]
  大規模言語モデル(LLM)エージェントは、通常、ReActスタイルの専門家軌道の教師付き微調整や、ペアのロールアウトよりも好みの最適化で調整される。 本稿では,自己学習型アクチオN審議(SAND)フレームワークを提案する。 SANDは、初期教師付き微調整よりも平均20%改善し、また最先端のエージェントチューニングアプローチより優れている。
  論文  参考訳（メタデータ） (2025-07-10T05:38:15Z)
• WebSailor: Navigating Super-human Reasoning for Web Agent [72.5231321118689]
  WebSailorは、この重要な機能を組み込むように設計された、完全なポストトレーニング方法論である。 我々のアプローチは、構造化サンプリングと情報難読化によって、新しい、不確実なタスクを生成することである。 WebSailorは複雑な情報検索タスクにおいて、すべてのオープンソースエージェントを著しく上回っている。
  論文  参考訳（メタデータ） (2025-07-03T12:59:07Z)
• MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning [36.3918410061572]
  MA-RAGは、複雑な情報探索タスクにおける固有の曖昧さと推論の問題に対処する。 エンドツーエンドの微調整や分離されたコンポーネント拡張に依存する従来のRAGメソッドとは異なり、MA-RAGは特別なAIエージェントの協調的なセットを編成する。 本結果は,検索強化システムにおける協調的,モジュール型推論の有効性を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-05-26T15:05:18Z)
• Textualized Agent-Style Reasoning for Complex Tasks by Multiple Round LLM Generation [49.27250832754313]
  我々は、llmベースの自律エージェントフレームワークであるAgentCOTを紹介する。 それぞれのステップで、AgentCOTはアクションを選択し、それを実行して、証拠を裏付ける中間結果を得る。 エージェントCOTの性能を高めるための2つの新しい戦略を導入する。
  論文  参考訳（メタデータ） (2024-09-19T02:20:06Z)
• ThinkNote: Enhancing Knowledge Integration and Utilization of Large Language Models via Constructivist Cognition Modeling [55.21641515545307]
  大規模言語モデル(LLM)は、幅広いNLPタスクにおいて強力なパフォーマンスを示している。 それらはしばしば、不慣れな外部情報に晒されたとき、最適でない行動と矛盾を示す。 本稿では,LLMの外部知識活用を促進する新しいフレームワークであるThinkNoteを提案する。
  論文  参考訳（メタデータ） (2024-02-21T06:04:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。