最近，中国科学技术大学和上海人工智能实验室联合发布了一篇关于提升 AI 检索性能的文章，介绍了一种名为 MindSearch 的方法。这个新方法通过模仿人类在面对复杂问题时的认知过程，提高了信息检索的效率和质量。
MindSearch 通过一个名为 WebPlanner 的组件，将复杂的用户查询分解成多个更小、更容易处理的子问题。WebPlanner 像是在搭建一张动态图，原始查询被拆成多个原子子问题，这些子问题成为图中的节点，并根据来自 WebSearcher 的搜索结果逐步扩展这张图。
系统还使用了一个名为 WebSearcher 的组件，按层次结构组织和检索网络内容。WebSearcher 对每一个子问题进行搜索，从网络上获取有价值的信息，支持 WebPlanner 的决策和进一步的查询分解。
MindSearch 结合了大语言模型（LLM）与搜索引擎的优点：
- 搜索引擎：获取用户查询相关的具体数据，从而辅助 LLM 进行信息整合和回答生成。
- 大语言模型：解析用户的复杂问题并将其转换为具体的子问题，利用其生成能力，生成详尽且相关性高的回答。
通过多项实验验证，MindSearch 在自然语言处理（NLP）任务中，可以更准确地理解和生成复杂文本。研究团队通过模拟人类的认知过程，把复杂查询拆解成更小的子问题，再通过层次化的信息检索方法，提升信息整合和响应的效率和质量。
用户反馈表明，MindSearch 在信息检索效率和质量上带来了提升。实际应用中，MindSearch 能够快速响应用户查询，提供高质量的搜索结果。在用户体验方面，MindSearch 结合了大语言模型（LLM）与搜索引擎的优点，通过解析用户的复杂问题并将其转换为具体的子问题，生成详尽且相关性高的回答。
想了解更多，点击查看原文：原文链接