DOI: https://doi.org/10.1145/3802586
تاريخ النشر: 2026-04-01
المؤلف: Xiaopeng Li وآخرون
الموضوع الرئيسي: استرجاع المعلومات وسلوك البحث
نظرة عامة
تقدم هذه القسم نظرة عامة على أهمية التخصيص في أنظمة الذكاء الاصطناعي الحديثة، خاصة من خلال عدسة أطر العمل المعززة بالاسترجاع (RAG). يسلط الضوء على تطور RAG إلى هياكل معمارية أكثر تعقيدًا تعتمد على الوكلاء، مما يعزز رضا المستخدم من خلال مواءمة التفاعلات مع التفضيلات والسياقات الفردية. تستعرض الدراسة بشكل منهجي التخصيص عبر المراحل الثلاث الأساسية لـ RAG: ما قبل الاسترجاع، الاسترجاع، والتوليد، بينما تمتد المناقشة أيضًا إلى الوكلاء المعتمدين على LLM المخصصين الذين يدمجون وظائف مثل فهم المستخدم والتوليد الديناميكي.
تؤكد الخاتمة على التقدم المحرز في التخصيص من RAG إلى الوكلاء المعتمدين على LLM، مشددة على أهمية أنظمة الذكاء الاصطناعي المخصصة في تحسين تجارب المستخدمين. تستعرض الأدبيات الحديثة، ومجموعات البيانات، ومقاييس التقييم، بينما تتناول أيضًا التحديات مثل قابلية التوسع، وفعالية التقييم، والاعتبارات الأخلاقية. يدعو المؤلفون إلى أن تركز الأبحاث المستقبلية على تطوير أطر عمل خفيفة الوزن، ومعايير متخصصة، وتقنيات تحافظ على الخصوصية لتعزيز قدرات الذكاء الاصطناعي المخصص. يتم الحفاظ على مستودع من الأوراق والموارد ذات الصلة لدعم الأبحاث المستمرة.
مقدمة
تناقش مقدمة ورقة البحث التأثير التحويلي لنماذج اللغة الكبيرة (LLMs) على تطبيقات الذكاء الاصطناعي، خاصة في فهم اللغة الطبيعية وتوليدها. على الرغم من تقدمها، تواجه LLMs تحديات مثل المعلومات القديمة والهلاوس، مما يهدد دقة المحتوى المولد. لمعالجة هذه القضايا، تم اقتراح إطار العمل المعزز بالاسترجاع (RAG)، الذي يعزز موثوقية المخرجات من خلال دمج المعلومات في الوقت الحقيقي من مصادر خارجية مثل واجهات برمجة التطبيقات وقواعد البيانات العلمية. يتماشى الهيكل التنظيمي لـ RAG مع سير عمل الوكلاء – حيث يتوافق كل مرحلة من RAG مع مراحل في عملية اتخاذ القرار لدى الوكيل – مما يجعله مكونًا حاسمًا لتطوير أنظمة ذكية مستقلة.
تؤكد الورقة على أهمية التخصيص في تعزيز أنظمة الذكاء الاصطناعي التكيفية، وهو أمر ضروري لتحقيق الذكاء الاصطناعي العام (AGI). يعزز التخصيص تطبيقات متنوعة، بما في ذلك التفكير المخصص وتوليد المحتوى المحدد للمستخدم. ومع ذلك، تفتقر الأدبيات الحالية إلى تحليل مقارن شامل لأساليب RAG المخصصة والوكيلية، حيث تركز معظم الدراسات على المنهجيات العامة أو المهام المحددة. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال مراجعة كيفية دمج التخصيص في أطر RAG وRAG الوكيلية، موضحة الأدبيات ذات الصلة، ومجموعات البيانات، والمعايير، ومقاييس التقييم لتوجيه الأبحاث المستقبلية في هذه المجالات.
مناقشة
في هذا القسم، تركز المناقشة على دمج التخصيص ضمن أطر العمل المعززة بالاسترجاع (RAG) وسير عمل الوكلاء. يتم تعريف التخصيص على أنه تكييف مخرجات النموذج لتتناسب مع تفضيلات المستخدم الفردية، والتي يمكن تصنيفها إلى ملفات تعريف المستخدمين الصريحة، والتفاعلات التاريخية، والمحتوى الذي ينشئه المستخدم، والمحاكاة المعتمدة على الشخصية. يؤكد المؤلفون على أهمية دمج المعلومات المخصصة في مراحل مختلفة من خط أنابيب RAG، بما في ذلك معالجة الاستعلام، واسترجاع الوثائق، وتوليد المحتوى، لتعزيز الاستجابات الموجهة نحو المستخدم.
تحدد الورقة نهجًا منظمًا لتبني التخصيص في خط أنابيب RAG، يتم صياغته على أنه \( g = G(R(Q(q, p), C, p), \text{prompt}, p, \theta) \)، حيث يمثل \( p \) المعلومات المخصصة. تبرز المناقشة المرحلة الحرجة ما قبل الاسترجاع، حيث يتم استخدام إعادة كتابة الاستعلام والتوسع لتنقيح استعلامات المستخدم باستخدام البيانات المخصصة. يصنف المؤلفون إعادة كتابة الاستعلام إلى طرق مباشرة وأخرى مساعدة، بينما يتم تعزيز توسيع الاستعلام من خلال الوسم ونمذجة سلوك المستخدم. علاوة على ذلك، يتم تفصيل عملية الاسترجاع، مع التركيز على أدوار الفهرسة، وتقنيات الاسترجاع (الكثيفة، النادرة، والمعتمدة على التوجيه)، وطرق تحسين ما بعد الاسترجاع مثل إعادة الترتيب والتلخيص. يختتم المؤلفون بتحديد الفجوات في الأبحاث الحالية ويقترحون اتجاهات مستقبلية لتعزيز أنظمة RAG المخصصة، خاصة في مجالات نمذجة التفضيلات الضمنية وتقنيات التوجيه التكيفية.
DOI: https://doi.org/10.1145/3802586
Publication Date: 2026-04-01
Author(s): Xiaopeng Li et al.
Primary Topic: Information Retrieval and Search Behavior
Overview
This section provides an overview of the significance of personalization in modern AI systems, particularly through the lens of Retrieval-Augmented Generation (RAG) frameworks. It highlights the evolution of RAG into more sophisticated agent-based architectures that enhance user satisfaction by aligning interactions with individual preferences and contexts. The survey systematically examines personalization across the three core stages of RAG: pre-retrieval, retrieval, and generation, while also extending the discussion to Personalized LLM-based Agents that incorporate functionalities such as user understanding and dynamic generation.
The conclusion emphasizes the advancements made in personalization from RAG to LLM-based Agents, underscoring the importance of tailored AI systems in improving user experiences. It reviews recent literature, datasets, and evaluation metrics, while also addressing challenges such as scalability, evaluation effectiveness, and ethical considerations. The authors advocate for future research to focus on developing lightweight frameworks, specialized benchmarks, and privacy-preserving techniques to further enhance personalized AI capabilities. A repository of relevant papers and resources is maintained for ongoing research support.
Introduction
The introduction of the research paper discusses the transformative impact of Large Language Models (LLMs) on AI applications, particularly in natural language understanding and generation. Despite their advancements, LLMs face challenges such as outdated information and hallucinations, which compromise the accuracy of generated content. To address these issues, the Retrieval-Augmented Generation (RAG) framework has been proposed, which enhances the reliability of outputs by integrating real-time information from external sources like APIs and scientific databases. RAG’s structural alignment with agent workflows—where each phase of RAG corresponds to stages in an agent’s decision-making process—positions it as a crucial component for developing intelligent autonomous systems.
The paper emphasizes the importance of personalization in advancing adaptive AI systems, which is essential for achieving Artificial General Intelligence (AGI). Personalization enhances various applications, including personalized reasoning and user-specific content generation. However, the existing literature lacks a thorough comparative analysis of personalized RAG and agentic approaches, with most studies focusing on general methodologies or specific tasks. This survey aims to fill this gap by reviewing how personalization can be integrated into RAG and agentic RAG frameworks, detailing the relevant literature, datasets, benchmarks, and evaluation metrics to guide future research in these domains.
Discussion
In this section, the discussion centers on the integration of personalization within Retrieval-Augmented Generation (RAG) frameworks and agent workflows. Personalization is defined as the adaptation of model outputs to align with individual user preferences, which can be categorized into explicit user profiles, historical interactions, user-generated content, and persona-based simulations. The authors emphasize the importance of incorporating personalized information at various stages of the RAG pipeline, including query processing, document retrieval, and content generation, to enhance user-centric responses.
The paper outlines a structured approach to adopting personalization in the RAG pipeline, formalized as \( g = G(R(Q(q, p), C, p), \text{prompt}, p, \theta) \), where \( p \) represents personalized information. The discussion highlights the critical pre-retrieval phase, where query rewriting and expansion are employed to refine user queries using personalized data. The authors categorize query rewriting into direct and auxiliary methods, while query expansion is enhanced through tagging and user behavior modeling. Furthermore, the retrieval process is detailed, emphasizing the roles of indexing, retrieval techniques (dense, sparse, and prompt-based), and post-retrieval refinement methods such as re-ranking and summarization. The authors conclude by identifying gaps in current research and suggesting future directions for enhancing personalized RAG systems, particularly in the areas of implicit preference modeling and adaptive prompting techniques.