用於持續檔案撰寫的 knowledage Pull Requests
為何重要
這項研究針對大型語言模型在 RAG 系統中維護檔案常見的「搜尋 + 全量重寫」低效與錯誤問題，提出了更細緻的「知識抽取與整合」解決方案，特別是在缺乏單一語言時的跨語境知識整合表現優異。對專注於 RAGOS（RAG Optimization & Systems）的開發者而言，這是最佳化知識庫演進流程的重要實驗方向；對產業投資人來說，此技術潛力在於降低企業知識庫升級與更新的長期維護成本。
- 為瞭解決檔案在持續迭代時常因不明確內容變更而導致的編輯盲點，研究團隊提出「Knowledge Pull Requests」框架。 - 該框架透過提取宣告、過濾、路由與標記衝突來產生變更日誌，將「知識變更」（宣告提案）與「文字變更」（檔案差異）分離。 - 驗證場景涵蓋多語言維基百科的修改案，以及 RAGTIME 上查詢驅動的報告更新。 - 實驗結果顯示，相較於從來源重寫或從頭生成，KPR 能在保留現有內容的同時整合更多資訊，且每個生成的 token 所含資訊量最高。