AC‑RAG: Mit gegnerischer Zusammenarbeit die Retrieval‑Halluzinationen besiegen

Die neueste Veröffentlichung auf arXiv (2509.14750v1) stellt das AC‑RAG‑Framework vor, das Retrieval‑Augmented Generation (RAG) auf ein neues Level hebt. RAG‑Modelle, die speziell für bestimmte Fachgebiete trainiert werden, leiden häufig unter sogenannten Retrieval‑Halluzinationen: Sie erkennen nicht, wenn die abgerufenen Dokumente von schlechter Qualität sind, und liefern dadurch unzuverlässige Antworten.

AC‑RAG löst dieses Problem, indem es zwei unterschiedliche Agenten einsetzt. Ein generalistischer Detector sucht gezielt nach Wissenslücken, während ein domänenspezifischer Resolver präzise Lösungen liefert. Durch einen moderierten, gegnerischen Austausch werden die Fragen des Detectors genutzt, um die Expertise des Resolvers kontinuierlich zu prüfen und zu verbessern.

Die iterative Zusammenarbeit führt zu einer genaueren Problemanalyse und einer verbesserten Informationsbeschaffung. Umfangreiche Experimente zeigen, dass AC‑RAG die Retrieval‑Genauigkeit deutlich steigert und bestehende RAG‑Methoden in mehreren Fachbereichen übertrifft. Das Ergebnis ist ein robustes System, das die Zuverlässigkeit von domänenspezifischen LLMs nachhaltig erhöht.