检索

BGE、MedCPT等reranker更容易保留生成文档，而MedRGAG能重新保留那些低相似度但有信息量的检索证据。

KGCC（Knowledge-GuidedContextCompletion，知识引导的上下文补全）解决的是「生成什么」：普通GAG往往直接围绕问题生成参考资料，而KGCC会先总结检索证据，再判断回答还缺哪些关键信息。

但有些检索证据虽然不那么「像问题」，却可能包含关键事实。

当检索证据与生成证据共同进入候选池时，普通reranker或相似度排序往往更偏向表面相似的文本，却可能忽略真正支撑医学推理的关键信息。

2026年07月27日10:25雷锋网MEDRGAG框架通过"检索-补全-选择"的知识组织流程，融合外部检索与内部参数知识，破解了医疗问答“检索缺失与生成幻觉”的二元对立。

下图展示了不同选择策略下的准确率，以及最终保留的检索文档占比。

总结：把每篇检索文档压缩成与问题相关的知识点，无关文档则标注为「无有用信息」；

最终，MedRGAG从候选材料中精选出一篇检索文档和两篇生成文档，帮助模型给出正确答案

检索文档并非无用。

过去也有工作尝试把检索文档和生成文档结合起来，但重点多放在如何融合两类材料、缓解知识冲突上。

这个现象在之前一些研究里已有所体现：当检索文档和生成文档同时进入候选池时，常规排序器往往会更偏向于大模型生成的文档，我们在实验后期也进一步验证了这一点。

（b）最终保留的检索文档占比

过去也有工作尝试把检索文档和生成文档结合起来，但重点多放在如何融合两类材料、缓解知识冲突上。