Resumen: Las aplicaciones modernas requieren una recuperación de información precisa y eficiente en respuesta a las consultas de los usuarios. Mapear las expresiones de los usuarios a las preguntas más relevantes frecuentes (FAQ) es un componente crucial de estos sistemas. Los enfoques tradicionales a menudo dependen de un solo modelo o técnica, que puede no capturar los matices de diversas consultas de usuarios. En este documento, presentamos un marco de múltiples agentes para la anotación de preguntas frecuentes que combina múltiples agentes especializados con diferentes enfoques y un agente de juez que vuelve a los candidatos para producir resultados óptimos. Nuestros agentes utilizan un enfoque de razonamiento estructurado inspirado en consultas de razonamiento atentos (ARQ), que los guía a través de pasos de razonamiento sistemático utilizando consultas JSON específicas y específicas de tareas. Nuestro marco presenta una estrategia de ejemplo especializada de pocos disparos, donde cada agente recibe diferentes disparos, mejorando la diversidad del conjunto y la cobertura del espacio de consulta. Evaluamos nuestro marco en un conjunto de datos de banca del mundo real, así como conjuntos de datos de referencia públicos (LCQMC y FIQA), lo que demuestra mejoras significativas sobre los enfoques de un solo agente en múltiples métodos, incluido un aumento del 14% en la precisión de Top-1, un aumento del 18% en la precisión de Top-5, y una mejora del 12% en el rango recíproco mediano en nuestro bordado de datos similares en el bancos de datos similares en el bancos de datos similares en el rango público. Técnicas de anotación. Nuestro marco es particularmente efectivo para manejar consultas ambiguas, lo que lo hace bien adecuado para la implementación en aplicaciones de producción al tiempo que muestra fuertes capacidades de generalización en diferentes dominios e idiomas.
Publicado Originalme en rss.arxiv.org El 20 de mayo de 2025.
Ver Fuente Original
