arXiv · cs.AI· Federico Mazzoni, Andrea Failla·· 5 小时前
iRAG：面向人在环路决策支持的增量式检索增强生成
Incremental Retrieval-Augmented Generation for Human-in-the-Loop Decision Support
arXiv:2610.12666v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Federico Mazzoni, Andrea Failla
研究任务与主要进展
作者提出iRAG，将检索增强生成与混合决策机制结合，使系统能够从空知识库开始，将人类决策逐步存为可检索先例，并经历从观察、基于证据提出异议到自主处理并可拒答的流程。基于论文摘要，iRAG在无检索衰减且知识漂移低于10%时与独立基线达到相当的最终决策错误率，并在40%漂移下各配置均降低该错误率；检索衰减改善变化知识表现但增加稳定知识错误，显示稳定性—可塑性权衡，真实用户可用性尚未评估。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org