論文の概要: Configuring RAG Systems: What Breaks, Where Originates, and How to Fix

• arxiv url: http://arxiv.org/abs/2610.18567v1
• Date: Tue, 13 Oct 2026 15:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.656316
• Title: Configuring RAG Systems: What Breaks, Where Originates, and How to Fix
• Title（参考訳）: RAGシステムの構成:何が壊れ、どこから発生し、どのように修正するか
• Abstract要約: Retrieval-Augmented Generation (RAG) は、Large Language Model (LLM) を改善する主要なパラダイムとして登場した。 RAGシステムの構成問題に関して、体系的な理解の欠如がまだ残っている。 10種類のRAGシステムから収集した654の現実世界構成問題に関する大規模な実証的研究を行った。
• 参考スコア（独自算出の注目度）: 7.7309884555130095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) has emerged as a dominant paradigm for improving Large Language Model (LLM) by intertwining it with other components, such as a vector/graph database. Therefore, the resulting RAG systems are often highly configurable, under which a non-trivial amount of failures are related to the configurations. However, there remains a lack of systematic understanding regarding the configuration issues for RAG systems. To bridge this gap, in this paper, we conduct the first large-scale empirical study of 654 real-world configuration issues collected from 10 diverse RAG systems. Drawing on this, we provide a complete categorization of the symptoms, root causes, relevant stages, and fix patterns of configuration issues for RAG systems, as well as several new observations. Our findings not only reveal the characteristics of configuration issues, but also strongly link them to the unique pipeline stages of RAG, e.g., we found that most symptoms can be observed at the early or late stage, while the stage of the root cause might not be at the same stage as where the symptom is identified. We also provide nine actionable insights to the practitioners on testing, localizing, and fixing the configuration issues for RAG systems.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、大規模言語モデル(LLM)をベクトル/グラフデータベースなどの他のコンポーネントと相互接続することによって改善する主要なパラダイムとして登場した。 したがって、結果のRAGシステムは、しばしば高度に構成可能であり、その構成に非自明な量の障害が関係している。 しかし,RAGシステムの構成問題については,体系的な理解が欠如している。 このギャップを埋めるために,本論文では,10種類のRAGシステムから収集した654の現実世界構成問題について,大規模な実証的研究を行った。 そこで本研究では,RAGシステムの構成問題に対する症状,根本原因,関連ステージ,修正パターンの完全な分類と,いくつかの新たな観察結果について述べる。 われわれは,構成上の問題点だけでなく,RAGのユニークなパイプラインステージと強く結びついていることから,根本原因の症状は早期・後期に多く見られるが,根本原因の症状は症状が特定される段階と同一ではない可能性が示唆された。 また、RAGシステムの構成問題をテストし、ローカライズし、修正することに関して、実践者に9つの実行可能な洞察を提供する。

関連論文リスト

• MC-RAG System: A Structure-Driven RAG System for Multi-Constraint Queries [5.768100314275575]
  MC-RAGは知識グラフ上のサブグラフマッチング問題として検索を再構成する構造駆動型RAGシステムである。 デモの間、参加者は医学的または百科事典的なマルチ制約クエリを入力し、システムがいかに制約を解析するかを視覚化し、構造的マッチングを実行し、回答を生成する。
  論文  参考訳（メタデータ） (2026-07-11T06:20:38Z)
• Doctor-RAG: Failure-Aware Repair for Agentic Retrieval-Augmented Generation [23.961760006898157]
  エージェント検索・拡張生成(Agentic RAG)は,質問応答や複雑な知識推論のパラダイムとして広く採用されている。 既存のアプローチでは、診断分析で停止するか、検索推論パイプライン全体を再実行することで、このような障害に対処するのが一般的である。 本稿では,Agenic RAGの異常を明示的エラーローカライゼーションとプレフィックス再利用によって修正する統合診断・修復フレームワークであるDoctor-RAGを提案する。
  論文  参考訳（メタデータ） (2026-04-01T13:13:27Z)
• RAGExplorer: A Visual Analytics System for the Comparative Diagnosis of RAG Systems [12.726326169727733]
  RAGExplorerは、RAG構成の系統的比較と診断のための視覚分析システムである。 本稿では,RAGExplorerの有効性を,詳細なケーススタディとユーザスタディを通じて実証する。
  論文  参考訳（メタデータ） (2026-01-19T12:09:56Z)
• Evaluating Retrieval-Augmented Generation Systems on Unanswerable, Uncheatable, Realistic, Multi-hop Queries [53.99620546358492]
  実世界のユースケースでは、複雑なクエリを持つRAGシステムが存在し、関連する情報がコーパスから欠落したり、不完全であったりすることが多い。 既存のRAGベンチマークは、マルチホップやスコープ外の質問に対して、現実的なタスクの複雑さを反映することはめったにない。 un$underlinec$heatable, $underliner$ealistic, $underlineu$nanswerable, $underlinem$ulti-hopの自動生成のための最初のパイプラインを提示する。
  論文  参考訳（メタデータ） (2025-10-13T21:38:04Z)
• Revisiting RAG Ensemble: A Theoretical and Mechanistic Analysis of Multi-RAG System Collaboration [28.08723126203961]
  理論的および機械学的解析の観点からRAGアンサンブルフレームワークを解析した。 機構解析に関しては,パイプラインレベルとモジュールレベルの両方からRAGアンサンブルフレームワークを調査した。 実験の結果、複数のRAGシステムを集約することは、パイプラインレベルであれモジュールレベルであれ、一般化可能かつ堅牢であることがわかった。
  論文  参考訳（メタデータ） (2025-08-19T13:38:54Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)
• Seven Failure Points When Engineering a Retrieval Augmented Generation System [1.8776685617612472]
  RAGシステムは,大規模言語モデルからの幻覚応答の問題を解決することを目的としている。 RAGシステムは情報検索システム固有の制限に悩まされている。 本稿では3つのケーススタディからRAGシステムの故障点について報告する。
  論文  参考訳（メタデータ） (2024-01-11T12:04:11Z)

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。