RAG各模块联合优化思路：多智能体协作建模-MMOA-RAG浅尝

RAG各模块联合优化思路：多智能体协作建模-MMOA-RAG浅尝

现有RAG系统的各个模块的任务目标不一致：传统方法（如监督微调SFT）单独优化查询重写、文档检索、答案生成等模块，但单个模块的“局部最优”无法保证最终答案的“全局最优”。（ps:这一点可以通过之前的一个分类比赛准确性分析理解《CCF-BDCI-数字安全公开赛：基于人工智能的漏洞数据分类冠军方案》）。

MMOA-RAG创新点是将RAG系统的可训练模块建模为协作式多智能体，让所有智能体的优化目标统一对齐到“最终答案质量”（如F1分数），通过多智能体强化学习（MAPPO算法）实现模块间的联合优化，解决这个问题。

总结如下：

模块	角色（智能体/环境）	功能
查询重写器（QR）	智能体（可训练）	将复杂/模糊的初始问题q拆解为多个子问题subq，提升后续检索的精准度。
文档检索器（Retriever）	环境（固定，建模为RL智能体难度较高，使用Contriever、BGE等成熟检索模型）	根据每个subq从语料库中检索候选文档集D（默认K=10个文档，如2个subq各检索5个）。
文档选择器（S）	智能体（可训练）	从D中筛选出对生成答案真正有用的子集D_selected，过滤噪声文档。
答案生成器（G）	智能体（可训练）	基于q和D_selected生成最终预测答案Ans_predict。

联合优化需要实现参数共享：三个智能体复用同一LLM参数（通过不同提示词区分任务），降低计算开销。

两阶段优化

MMOA-RAG的训练分为“预热SFT”和“多智能体优化（MAPPO）”两阶段，确保模型先掌握基础功能，再通过协作agent提升性能。

阶段1：预热SFT

让每个智能体先学会“基础任务逻辑”（如QR拆解问题、S选择文档、G生成答案），为后续强化学习提供“基线模型”。

数据集构建

针对三个智能体分别构建SFT数据：

1. QR的SFT数据：复用Rewrite-Retrieve-Read论文的公开查询重写数据集（问题→子问题对）；
2. S的SFT数据：用启发式方法标注“有用文档ID”：
   • 对问题q和黄金答案Ans_golden，去除停用词、小写化后得到词集Set_q；
   • 对每个候选文档d，同样处理得到Set_d；
   • 若Set_q与Set_d有交集，则标注d的ID为“有用”；
3. G的SFT数据：以“q+D_selected→Ans_golden”为样本（Ans_golden为黄金答案）。

损失函数

采用标准语言建模损失，最小化模型预测与标签的负对数似然：
$${\mathcal{L}}_{SFT}(\theta )=-\sum _{n=1}^N\log P(Y_n|X_n;\theta )$$

• $X_n$：每个智能体的输入（如QR的$X_n=O_{QR}$）；
• $Y_n$：每个智能体的标签（如QR的$Y_n=subq$）；
• $\theta$：LLM参数。

---

阶段2：多智能体优化（MAPPO）

MAPPO是PPO的多智能体扩展，支持“共享全局奖励”，适合完全协作场景。

模型组件

训练过程中涉及三个模型：

1. Actor模型（参数$\theta$）：负责为每个智能体生成动作（如QR生成子问题、S输出ID）；
2. Critic模型（参数$\varphi$）：负责估计“状态价值”$V_{\varphi }(s)$，用于计算优势函数（衡量动作的“额外收益”）；
3. SFT模型（参数${\theta }_{SFT}$）：作为基线，防止Actor模型偏离基础任务逻辑（类似InstructGPT的KL惩罚）。

实验性能

Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning,https://arxiv.org/pdf/2501.15228v2

repo:https://github.com/chenyiqun/MMOA-RAG