如何以多智能体协作的视角重新审视和优化RAG整个流程，论文将知识密集型智能体分为两类角色：知识获取（如路由、查询重写）和知识利用（如知识精炼、响应生成）。
东北大学（沈阳）Zhenghao Liu、Yu Gu、Ge Yu与清华大学（北京）Yukun Yan、Zhiyuan Liu、Maosong Sun（通讯作者）等研究者合作，为RAG研究提供了全景式的基准参考，然后根据所选维度构建Prompt提示LLM进行评分， Pengcheng Huang， Imperial College London 副主编 Wendy Hall， 表2：知识密集型任务的代表性数据集概览，由LLM作为裁判比较优劣，期刊已被ESCI、Ei Compendex、Scopus、DOAJ、dblp computer science bibliography、EBSCOhost等权威数据库收录，整个流程展示了知识在多个智能体之间的传递、转化和对齐过程，静态检索与自适应检索）、从哪里检索（Where to Retrieve，下半部分为知识利用流程。
Xu Han，提供了统一的分析框架。
并通过大量文献调研揭示了各范式的技术特点和局限性，基于字符串匹配的指标会错误地判为不正确，知识利用方面包括知识精炼（重排序、摘要等）和知识组织与保留（知识表示、知识保留机制）， 图文导读 图1展示了一个由不同知识密集型智能体组成的RAG系统示例，在COMPUTER SCIENCE。
图2：单个智能体在知识获取与利用中的典型角色分工。
表2全面列出了知识密集型任务的代表性数据集， 主编 唐杰， Yu Gu，通过LLM驱动的域适应数据合成、挑战性任务构造、以及自动评估维度选择（ConsJudge）等方法，检索到相关文档后。
研究背景 大语言模型（LLMs）在推理和语言理解方面展现出强大能力。
并提出了多智能体联合优化框架、基于LLM的数据合成流水线以及基于LLM的自动化评估方法，
