Resumen:La generación de recuperación aumentada (RAG) mejora la base objetiva, sin embargo, la mayoría de los sistemas se basan en la recuperación de fragmentos planos y proporcionan un control limitado sobre la síntesis de varios pasos. Proponemos un motor de innovación explicable que actualiza la unidad de conocimiento de fragmentos de texto a métodos como nodos. El motor mantiene un árbol de procedencia de métodos ponderados para derivaciones rastreables y un árbol de abstracción de agrupamiento jerárquico para una navegación eficiente de arriba hacia abajo. En el momento de la inferencia, un agente de estrategia selecciona operadores de síntesis explícitos (por ejemplo, inducción, deducción, analogía), compone nuevos nodos de método y registra una trayectoria auditable. Luego, una capa de verificador-puntuador elimina los candidatos de baja calidad y escribe nodos validados para respaldar el crecimiento continuo. La evaluación de expertos en seis dominios y múltiples redes troncales muestra ganancias consistentes con respecto a una línea de base básica, con las mayores mejoras en entornos con mucha derivación, y las ablaciones confirman las funciones complementarias del retroceso y la poda de procedencia. Estos resultados sugieren un camino práctico hacia la innovación controlable, explicable y verificable en sistemas RAG agentes. El código está disponible en el repositorio de GitHub del proyecto. esta URL https.
Publicado originalmente en export.arxiv.org el 10 de marzo de 2026.
Ver fuente original
