論文の概要: Query Suggestion for Retrieval-Augmented Generation via Dynamic In-Context Learning

• arxiv url: http://arxiv.org/abs/2601.08105v1
• Date: Tue, 13 Jan 2026 00:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:18.995515
• Title: Query Suggestion for Retrieval-Augmented Generation via Dynamic In-Context Learning
• Title（参考訳）: 動的インコンテキスト学習による検索拡張生成のためのクエリの提案
• Authors: Fabian Spaeh, Tianyi Chen, Chen-Hao Chiang, Bin Shen,
• Abstract要約: 我々は、関連するユーザクエリからサンプルを検索する頑健な動的数ショット学習を導入する。 本研究では,例えば事前のユーザクエリでは自己学習が可能であり,実際に容易に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 42.850404278428954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation with tool-calling agents (agentic RAG) has become increasingly powerful in understanding, processing, and responding to user queries. However, the scope of the grounding knowledge is limited and asking questions that exceed this scope may lead to issues like hallucination. While guardrail frameworks aim to block out-of-scope questions (Rodriguez et al., 2024), no research has investigated the question of suggesting answerable queries in order to complete the user interaction. In this paper, we initiate the study of query suggestion for agentic RAG. We consider the setting where user questions are not answerable, and the suggested queries should be similar to aid the user interaction. Such scenarios are frequent for tool-calling LLMs as communicating the restrictions of the tools or the underlying datasets to the user is difficult, and adding query suggestions enhances the interaction with the RAG agent. As opposed to traditional settings for query recommendations such as in search engines, ensuring that the suggested queries are answerable is a major challenge due to the RAG's multi-step workflow that demands a nuanced understanding of the RAG as a whole, which the executing LLM lacks. As such, we introduce robust dynamic few-shot learning which retrieves examples from relevant workflows. We show that our system can be self-learned, for instance on prior user queries, and is therefore easily applicable in practice. We evaluate our approach on three benchmark datasets based on two unlabeled question datasets collected from real-world user queries. Experiments on real-world datasets confirm that our method produces more relevant and answerable suggestions, outperforming few-shot and retrieval-only baselines, and thus enable safer, more effective user interaction with agentic RAG.
• Abstract（参考訳）: ツールコールエージェント(agentic RAG)を使用した検索強化世代は、ユーザクエリの理解、処理、応答においてますます強力になっている。 しかし、基礎知識の範囲は限られており、この範囲を超える質問は幻覚のような問題を引き起こす可能性がある。 ガードレールフレームワークはスコープ外質問をブロックすることを目的としている(Rodriguez et al , 2024)が、ユーザインタラクションを完了させるために応答可能なクエリを提案するという問題についての調査は行われていない。 本稿では,エージェントRAGに対するクエリ提案の検討を開始する。 ユーザの質問に回答できないような設定を考慮し,提案するクエリはユーザインタラクションに役立つはずだ。 このようなシナリオは、ツールや基盤となるデータセットの制約をユーザに伝えることが難しく、クエリ提案を追加することで、RAGエージェントとのインタラクションが向上する。 検索エンジンのような従来のクエリレコメンデーションの設定とは異なり、提案されたクエリが応答可能であることを保証することは大きな課題である。 そこで我々は,関連するワークフローから例を抽出する,頑健な動的数ショット学習を導入する。 本研究では,例えば事前のユーザクエリでは自己学習が可能であり,実際に容易に適用可能であることを示す。 実世界のユーザクエリから収集した2つの未ラベルの質問データセットに基づいて,3つのベンチマークデータセットに対するアプローチを評価する。 実世界のデータセットを用いた実験により,提案手法はより関連性が高く,応答可能な提案を導き,少ないショットと検索のみのベースラインを達成し,エージェントRAGとのより安全で効果的なユーザインタラクションを可能にする。

関連論文リスト

• Is Agentic RAG worth it? An experimental comparison of RAG approaches [0.07777489763207261]
  検索・拡張生成システムは通常、ジェネレータと検索コンポーネントの組み合わせで定義される。 これらの欠点は「強化されたRAG」の開発を動機づけている。 大規模言語モデルの自己回帰能力の増大により,新たなパラダイムが実現した。
  論文  参考訳（メタデータ） (2026-01-12T16:43:44Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation [6.62734677678023]
  実世界のライブ検索拡張生成(RAG)システムは、ノイズがありあいまいで、複数の意図を含むユーザクエリを処理する場合、課題に直面します。 本稿では,オープンドメイン環境におけるRAGシステムの堅牢性と有効性向上を目的とした新しいフレームワークであるOmni-RAGを紹介する。
  論文  参考訳（メタデータ） (2025-06-26T15:35:12Z)
• CLEAR-KGQA: Clarification-Enhanced Ambiguity Resolution for Knowledge Graph Question Answering [13.624962763072899]
  KGQAシステムは通常、ユーザクエリは曖昧であると仮定するが、これは現実世界のアプリケーションではめったに行われない仮定である。 本稿では,対話的明確化を通じて,エンティティのあいまいさ(類似した名前を持つエンティティの区別など)と意図のあいまいさ(ユーザクエリの異なる解釈を明確にするなど)を動的に扱う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-13T17:34:35Z)
• Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [92.5712549836791]
  マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。 マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:27:21Z)
• An Interactive Query Generation Assistant using LLM-based Prompt Modification and User Feedback [9.461978375200102]
  提案するインタフェースは,単言語および多言語文書コレクション上での対話型クエリ生成をサポートする,新しい検索インタフェースである。 このインタフェースにより、ユーザーは異なるLCMによって生成されたクエリを洗練し、検索したドキュメントやパスに対するフィードバックを提供し、より効果的なクエリを生成するプロンプトとしてユーザーのフィードバックを組み込むことができる。
  論文  参考訳（メタデータ） (2023-11-19T04:42:24Z)
• Learning to Retrieve Engaging Follow-Up Queries [12.380514998172199]
  ユーザが持つ可能性のある次の質問を予測するための検索ベースシステムと関連するデータセットを提案する。 このようなシステムは,ユーザの知識探索を積極的に支援することで,より活発な対話を実現する。
  論文  参考訳（メタデータ） (2023-02-21T20:26:23Z)
• Graph Enhanced BERT for Query Understanding [55.90334539898102]
  クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。 近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。 本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
  論文  参考訳（メタデータ） (2022-04-03T16:50:30Z)

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。