Digital Health Insider: SearchRAG：搜索引擎在基于 LLM 的医疗问答中的作用

大型语言模型 (LLM) 在通用领域已展现出卓越能力，但在需要专业知识的任务中仍面临挑战。传统的检索增强生成 (RAG) 技术，通常依赖于从静态知识库检索外部信息，然而，这些知识库可能存在过时或不完备的问题，且往往缺乏精准医疗问答所需的细粒度临床细节。为此，我们提出了 SearchRAG，一种新颖框架，旨在利用实时搜索引擎克服上述局限。 SearchRAG 方法采用合成查询生成技术，将复杂医疗问题转化为更易于搜索引擎理解的查询；并创新性地运用基于不确定性的知识选择机制，以筛选并整合最相关、信息最丰富的医学知识至 LLM 的输入端。实验结果表明，我们的方法能够显著提升医疗问答任务的回答准确率，尤其对于那些需要详尽和最新知识的复杂问题，提升效果尤为显著。

1. 论文研究目标、问题、假设与背景

这篇论文的核心研究目标是 探索如何利用搜索引擎来增强基于大型语言模型 (LLM) 的医疗问答系统。论文提出了一个新的框架 SearchRAG (Search engine Retrieval-Augmented Generation)，旨在克服传统检索增强生成 (RAG) 方法在处理医疗领域复杂问题时遇到的局限性。

1.1 想要解决什么实际问题？

论文旨在解决的关键问题是 如何提高 LLM 在回答需要专业和最新医疗知识的复杂问题时的准确性。

虽然 LLM 在通用领域表现出色，但在处理医疗等专业领域的问题时，由于缺乏特定领域的知识，容易出现错误。传统的 RAG 方法通过从静态知识库 (如教科书、知识图谱) 中检索信息来增强 LLM 的知识，但这些知识库可能存在 过时 (outdated) 或 不完整 (incomplete) 的问题，尤其是在快速发展的医疗领域，最新的研究进展和临床指南往往无法及时更新到静态知识库中。

Conventional Retrieval-Augmented Generation (RAG) techniques typically retrieve external information from static knowledge bases, which can be outdated or incomplete, missing fine-grained clinical details essential for accurate medical question answering.

论文指出，传统的 RAG 方法依赖的静态知识库可能无法提供回答复杂医疗问题所需的细粒度 (fine-grained) 和最新的临床细节，这限制了 LLM 在医疗问答任务中的性能。

1.2 这是否是一个新的问题？

利用 RAG 技术增强 LLM 的知识并非新问题，实际上，RAG 已经成为提升 LLM 性能的一种常用方法。然而，这篇论文关注的是 如何针对医疗领域知识更新快、专业性强的特点，利用实时更新的搜索引擎作为知识来源，来克服传统 RAG 方法的局限性。

利用搜索引擎作为 RAG 的知识源是一个相对较新的方向，尤其是在医疗领域。传统的 RAG 方法更多地依赖于结构化的或半结构化的知识库，而搜索引擎可以提供更广泛、更实时的信息，但也带来了如何从海量搜索结果中筛选和利用相关知识的新挑战。

1.3 这篇文章要验证一个什么科学假设？

这篇论文主要验证的科学假设是：通过结合合成查询生成和基于不确定性的知识选择机制，SearchRAG 框架能够有效地利用搜索引擎检索到的实时医疗知识，显著提高 LLM 在医疗问答任务中的准确性，尤其是在处理需要详细和最新知识的复杂问题时。

更具体来说，论文假设：

合成查询生成能够将复杂的医疗问题转换为搜索引擎友好的查询，提高检索到相关医疗知识的效率和质量。

基于不确定性的知识选择机制能够有效地从搜索引擎返回的海量信息中筛选出最相关和最有信息量的知识片段，减少噪声信息对 LLM 回答的干扰。

SearchRAG 框架在医疗问答任务中，能够显著优于传统的 RAG 方法和不使用 RAG 的基线方法。

1.4 有哪些相关研究？如何归类？

该研究属于以下几个领域的交叉：

检索增强生成 (RAG): 这是论文的核心技术，旨在通过检索外部知识来增强 LLM 的回答能力。论文提出的 SearchRAG 框架是对传统 RAG 方法的改进和拓展。

医疗问答 (Medical Question Answering): 论文的应用场景是医疗领域，目标是构建能够准确回答医疗问题的 AI 系统。

搜索引擎技术: 论文利用搜索引擎作为知识来源，研究如何有效地利用搜索引擎检索到的信息。

自然语言处理 (NLP): 论文使用了 LLM 进行查询生成、知识选择和答案生成等任务。

不确定性估计 (Uncertainty Estimation): 论文提出了基于 LLM 不确定性的知识选择机制，属于不确定性估计在 NLP 中的应用。

1.5 谁是这一课题在领域内值得关注的研究员？

论文的作者团队来自 佐治亚大学 (University of Georgia), 伊利诺伊理工学院 (Illinois Institute of Technology) 和 麻省总医院及哈佛医学院 (Massachusetts General Hospital and Harvard Medical School)，作者包括 Yucheng Shi, Tianze Yang, Canyu Chen, Quanzheng Li, Tianming Liu, Xiang Li, Ninghao Liu。

从引用的参考文献来看，值得关注的研究员包括：

在 RAG 和医疗问答领域: Guangzhi Xiong, Qiao Jin, Zhiyong Lu, Aidong Zhang 等，他们在基准测试和改进医疗 RAG 方面做了很多工作，论文中多次引用了他们关于 MedRAG 和 i-MedRAG 的研究 [Xiong et al., 2024a,b]。

在 LLM 和 Scaling Law 领域: Tom Brown, Benjamin Mann 等，是 OpenAI GPT 系列模型的作者，他们在 Scaling Law 方面的研究 [Brown et al., 2020, 2024] 为本文的方法提供了理论基础。

在医疗问答数据集构建方面: Di Jin, Eileen Pan, Peter Szolovits 等，他们构建了 MedQA 数据集 [Jin et al., 2020, 2021]。Ankit Pal, Logesh Kumar Umapathi, Malaikannan Sankarasubbu 等，构建了 MedMCQA 数据集 [Pal et al., 2022]。Dan Hendrycks, Collin Burns 等，构建了 MMLU 数据集 [Hendrycks et al., 2020]。

在利用不确定性进行信息检索方面: Yucheng Shi, Ninghao Liu 等，即本文的作者，他们在不确定性 RAG 方面也有其他研究 [Shi et al., 2024]。

您可以关注这些研究员的论文，以更深入地了解该领域的前沿进展。

2. 论文提出的新思路、方法和模型

论文的核心创新是 SearchRAG 框架，它通过 双组件架构 (dual-component architecture)，即 合成查询生成模块 (Synthetic Query Generation Module) 和 基于不确定性的查询选择模块 (Uncertainty-Based Query Selection Module)，来增强 LLM 利用搜索引擎进行医疗知识检索的能力。

2.1 新的思路、方法或模型

论文提出的关键思路和方法包括：

合成查询生成 (Synthetic Query Generation): 针对医疗问题通常过于复杂、不适合直接用作搜索引擎查询的问题，论文提出利用 LLM 生成多个不同的、搜索引擎友好的查询。

Our approach first utilizes an LLM to generate a large and diverse set of search queries by repeatedly sampling with high temperature, based on the original medical question.

高温度采样 (High-Temperature Sampling): 通过设置较高的采样温度，LLM 可以生成更多样化的查询，覆盖问题的不同方面。

Prompt Template: 论文设计了专门的 prompt template (见 Appendix A.5)，引导 LLM 将医疗问题分解为关键词、标准化医学术语，并构建搜索引擎友好的查询。

合成查询生成过程示意图 (论文 Figure 2 的一部分):

graph LR
    A[Original Question X] --> B{Query-writing LLM}
    B --> C1[query 1 q1]
    B --> C2[query 2 q2]
    B --> Cn[query n qn]
    style B fill:#f9f,stroke:#333,stroke-width:2px

基于不确定性的查询选择 (Uncertainty-Based Query Selection): 由于生成的查询质量参差不齐，搜索引擎返回的知识片段也各有优劣，论文提出利用 LLM 的内部不确定性 来评估和选择最有信息量的知识片段。

Then, to identify the most effective queries, our framework employs an uncertainty-based selection mechanism that evaluates the knowledge snippets retrieved by each query. By measuring the LLM's uncertainty reduction when incorporating different knowledge snippets, we retain only those that contribute the most to improving model confidence.

不确定性度量 (Uncertainty Measurement): 论文使用 Shannon 熵 (Shannon Entropy) 来度量 LLM 的不确定性，具体来说，是 首个 token 的熵 (entropy of the first token)。熵越高，表示模型对答案越不确定。

We estimate the LLM's uncertainty in generat- ing responses based on these augmented inputs us- ing Shannon entropy (Cover, 1999). Let Y be the random variable representing possible responses y generated by LLMs. Since computing the full response distribution is infeasible (Shi et al., 2024; Cover, 1999), we approximate uncertainty using the entropy of the first token, defined as: ...

不确定性降低 (Uncertainty Reduction): 对于每个查询检索到的知识片段 Ki，论文计算 引入 Ki 后 LLM 不确定性的降低量 ΔHi。ΔHi 越大，表示 Ki 包含的信息量越高，越有助于模型做出更确定的判断。

ΔHi = H(Y | x) - H(Y | [x; Ki])

知识片段选择 (Snippet Selection): 只保留 ΔHi 大于 0 的知识片段，即那些能够降低模型不确定性的片段，并将它们聚合起来作为最终的知识集 K*。

K* = ∪ {Ki | ΔHi > 0}

查询评估和知识选择过程示意图 (论文 Figure 2 的一部分):

graph LR
    A[query i qi] --> B{Search the Web fSE}
    B --> C[snippet i Ki]
    C --> D{Evaluator LLM}
    D -- Low Confidence --> E[K₁ Discard]
    D -- High Confidence --> F[Kᵢ Keep]
    style D fill:#f9f,stroke:#333,stroke-width:2px

SearchRAG 框架流程: 整合合成查询生成和基于不确定性的查询选择，形成完整的 SearchRAG 流程 (论文 Algorithm 1 和 Figure 2)。

流程步骤:

合成查询生成: LLM 根据原始问题生成多个查询 {q1, q2, ..., qm}。

搜索引擎检索: 对每个查询 qi 使用搜索引擎 fSE 检索知识片段 Ki。

不确定性评估: 使用 Evaluator LLM 评估每个知识片段 Ki 带来的不确定性降低 ΔHi。

知识选择: 选择 ΔHi > 0 的知识片段，聚合为知识集 K*。

答案生成: 将原始问题 x 和知识集 K* 输入 Answer LLM，生成最终答案 y。

RAG 增强的答案生成过程示意图 (论文 Figure 2 的一部分):

graph LR
    A[Original Question X] --> B{Search the Web fSE}
    B --> C[snippet Kj]
    C --> D{Answer LLM fLLM}
    D --> E[Final Answers]
    style D fill:#f9f,stroke:#333,stroke-width:2px

2.2 解决方案之关键

论文提出的解决方案之关键在于 将 LLM 的生成能力和自评估能力结合起来，有效地利用搜索引擎的实时知识。

利用 LLM 生成多样化查询: 克服了医疗问题复杂性带来的挑战，提高了查询的覆盖面和搜索引擎的检索效率。

利用 LLM 的不确定性进行知识选择: 克服了搜索引擎返回信息良莠不齐的问题，筛选出真正有价值的知识片段，提高了 RAG 系统的准确性和鲁棒性。

端到端流程: SearchRAG 框架是一个完整的、可自动化的流程，易于部署和应用。

2.3 与之前的方法相比有什么特点和优势？

与之前的方法相比，SearchRAG 具有以下特点和优势：

实时知识获取: 利用搜索引擎作为知识来源，能够获取最新的医疗信息，克服了传统 RAG 方法依赖静态知识库的局限性。

更强的查询优化能力: 通过合成查询生成，能够生成更符合搜索引擎要求的查询，提高了检索效率和相关性。

更有效的知识过滤: 基于不确定性的知识选择机制，能够有效去除噪声和无关信息，保留关键知识，提高了 RAG 系统的信噪比。

模型无关性: SearchRAG 框架不依赖于特定的 LLM 模型，具有较好的通用性和可扩展性 (实验在 LLaMA 8B 和 70B 模型上都有效)。

推理时优化: 查询生成和知识选择都是在推理时进行的，无需对模型进行额外的训练或微调，降低了计算成本和部署难度。

3. 论文的实验验证及结果分析

论文通过在三个医疗问答数据集上与多种基线方法进行比较，以及消融实验和案例分析，全面验证了 SearchRAG 框架的有效性。

3.1 实验设计

数据集: 论文使用了三个广泛使用的医疗问答数据集：

MedQA: 包含美国医疗执照考试题。

MMLU_Med: MMLU 基准测试的医疗子集，涵盖六个生物医学领域。

MedMCQA: 包含印度医疗入学考试题。

We evaluate these methods on three datasets designed for medical question answering: MedQA (Jin et al., 2021), MMLU_Med (Hendrycks et al., 2020), and MedMCQA (Pal et al., 2022).

基线方法: 论文对比了以下四种基线方法：

CoT (Chain-of-Thought): 非 RAG 基线方法，使用思维链提示 [Wei et al., 2022]。

MedRAG (Textbooks): 传统 RAG 方法，使用教科书作为知识库，MedCPT 作为检索器 [Xiong et al., 2024a,b]。

MedRAG (PubMed): 传统 RAG 方法，使用 PubMed (生物医学文献数据库) 作为知识库，MedCPT 作为检索器 [Xiong et al., 2024a,b]。

i-MedRAG: 迭代 RAG 方法，使用教科书作为知识库，MedCPT 作为检索器 [Xiong et al., 2024b]。

We evaluate our approach against four baseline methods: one non-RAG method and three RAG- based methods. The non-RAG baseline is Chain- of-Thought (CoT) prompting (Wei et al., 2022). For RAG-based methods, we compare against: MedRAG using textbooks as the knowledge source with MedCPT retriever, MedRAG using PubMed as the knowledge source with MedCPT retriever, and i-MedRAG using textbooks as the knowledge source with MedCPT retriever (Xiong et al., 2024a,b).

模型: 论文使用了 LLaMA 3.1 模型的 8B 和 70B 两种参数规模的版本 [Dubey et al., 2024]。

评估指标: 主要评估指标为 准确率 (Accuracy)。

3.2 实验数据和结果

主要实验结果 (论文 Table 2):

Method	MedMCQA Accuracy	MMLU_Med Accuracy	MedQA Accuracy
LLAMA 3.1-8B
CoT	55.96%	74.52%	65.91%
MedRAG (Textbooks)	55.89% (-0.13%)	74.98% (+0.62%)	64.89% (-1.55%)
MedRAG (PubMed)	50.87% (-9.11%)	71.28% (-4.32%)	60.41% (-8.48%)
i-MedRAG	56.80% (+1.65%)	74.70% (+0.25%)	68.97% (+5.07%)
SearchRAG (Ours)	65.14% (+16.16%)	84.67% (+13.59%)	71.49% (+8.09%)
LLAMA 3.1-70B
CoT	69.33%	87.53%	78.08%
MedRAG (Textbooks)	69.23% (-0.14%)	86.33% (-1.37%)	79.34% (+1.61%)
MedRAG (PubMed)	69.95% (+0.90%)	86.80% (-0.85%)	79.26% (+1.49%)
i-MedRAG	69.23% (-0.14%)	87.17% (-0.41%)	79.58% (+1.89%)
SearchRAG (Ours)	74.40% (+7.32%)	90.95% (+3.92%)	83.34% (+6.61%)

关键数据:

SearchRAG 显著优于所有基线方法: 在所有数据集和模型规模下，SearchRAG 都取得了最高的准确率，大幅超越了 CoT, MedRAG 和 i-MedRAG 等基线方法。

性能提升显著: 例如，在 LLaMA 8B 模型上，SearchRAG 在 MedMCQA 上比 CoT 提升了 16.16% 的准确率。

对知识源选择不敏感: 传统的 MedRAG 方法性能受知识源质量影响较大 (PubMed 基线甚至比 CoT 还差)，而 SearchRAG 利用搜索引擎，能够更稳定地获取有效知识。

模型规模扩展性: SearchRAG 在 LLaMA 70B 模型上仍然有效，并且提升幅度依然显著，表明其具有良好的模型规模扩展性。

消融实验 - 知识选择的有效性 (论文 Table 3):

Model	Dataset	Unfiltered Accuracy	Filtered Accuracy	Improvement
8B	MedMCQA	60.57%	64.86%	+7.08%
	MMLU_Med	81.14%	84.86%	+4.58%
	MedQA	67.71%	72.29%	+6.76%
70B	MedMCQA	70.86%	74.57%	+5.24%
	MMLU_Med	88.29%	89.71%	+1.61%
	MedQA	82.57%	83.43%	+1.04%

关键数据:

知识选择机制有效: 在所有数据集和模型规模下，使用基于不确定性的知识选择机制 (Filtered) 均优于不使用知识选择机制 (Unfiltered)。

小模型提升更显著: 在 LLaMA 8B 模型上，知识选择机制带来的提升幅度更大，表明小模型更容易受到噪声信息的干扰，知识选择机制对其更重要。

消融实验 - 合成查询数量的影响 (论文 Figure 3):

合成查询数量越多，性能越好: 随着合成查询数量从 0 (原始问题) 增加到 32，SearchRAG 的性能持续提升。

0 查询性能差: 只使用原始问题作为查询，RAG 效果不佳，甚至不如 CoT 基线方法。

32 查询性能最佳: 当合成查询数量达到 32 时，性能达到峰值，表明生成足够数量的查询有助于覆盖更全面的知识。

案例分析 (Case Study):

论文通过案例分析 (Case Study 1 和 Case Study 2, 以及 Appendix 中的更多案例) 展示了 SearchRAG 如何通过合成查询生成和知识选择，将最初的错误判断纠正为正确的、基于证据的答案。例如，Case Study 1 展示了 SearchRAG 如何在关于口服避孕药影响的医疗问题中，通过检索和筛选信息，最终得出正确的结论。

3.3 实验结果对科学假设的支持

实验结果有力地支持了论文提出的科学假设：

SearchRAG 框架有效提升医疗问答性能: 实验结果表明，SearchRAG 在多个医疗问答数据集上显著优于基线方法，验证了其有效性。

合成查询生成和知识选择机制的作用: 消融实验证明了合成查询生成和基于不确定性的知识选择机制在 SearchRAG 框架中都发挥了重要作用。

SearchRAG 能够有效利用搜索引擎知识: 实验结果表明，SearchRAG 能够有效地利用搜索引擎检索到的实时信息，克服了传统 RAG 方法的局限性。

4. 论文贡献、业界影响、应用场景和商业机会

4.1 论文贡献

这篇论文的主要贡献可以归纳为以下几点：

提出了 SearchRAG 框架: 一种新颖的基于搜索引擎的 RAG 框架，通过合成查询生成和基于不确定性的知识选择，有效地提高了 LLM 在医疗问答任务中的性能。

验证了 SearchRAG 的有效性: 通过在多个医疗问答数据集上的实验，证明了 SearchRAG 显著优于传统的 RAG 方法和基线方法。

深入分析了 SearchRAG 的各个组件: 通过消融实验和案例分析，深入研究了合成查询生成和知识选择机制的作用，为理解和改进 RAG 系统提供了新的视角。

为医疗问答领域提供了新的基准: SearchRAG 框架和实验结果可以作为医疗问答领域新的基准，促进未来研究的进展。

4.2 论文研究成果的业界影响

论文的研究成果将对医疗和人工智能业界产生重要影响：

推动医疗 AI 技术发展: SearchRAG 框架为构建更智能、更可靠的医疗 AI 系统提供了新的思路和方法，有望推动医疗 AI 技术在临床实践中的应用。

提升医疗信息检索效率: 通过合成查询生成和知识选择，SearchRAG 可以更有效地利用搜索引擎获取医疗信息，提高医疗专业人员的信息检索效率。

促进医疗知识的普及和应用: 更准确、更易用的医疗问答系统，可以帮助医生、患者和公众更好地理解和应用医疗知识，促进健康科普和医患沟通。

4.3 潜在的应用场景和商业机会

SearchRAG 框架具有广泛的应用前景和商业机会：

智能医疗助手: 可以开发基于 SearchRAG 的智能医疗助手，为医生提供临床决策支持、疾病诊断辅助、药物信息查询等服务。

患者在线咨询平台: 可以应用于在线医疗咨询平台，为患者提供初步的健康咨询和疾病解答，缓解医疗资源紧张。

医学知识搜索引擎: 可以构建专门针对医疗领域的知识搜索引擎，利用 SearchRAG 技术提高搜索结果的准确性和相关性。

医学教育和培训: 可以应用于医学教育和培训领域，作为辅助教学工具，帮助医学生和医生快速学习和掌握最新的医学知识。

医药信息服务: 可以为医药企业提供市场调研、竞品分析、药物信息传播等服务，利用 SearchRAG 技术快速获取和分析海量的医学信息。

4.4 作为工程师应该关注哪些方面？

作为工程师，您应该重点关注以下几个方面：

RAG 系统的构建和优化: 深入学习 RAG 系统的原理、架构和实现方法，掌握 SearchRAG 框架的关键技术，例如合成查询生成、不确定性估计、知识选择等。

搜索引擎技术: 了解搜索引擎的 API 使用、检索策略和结果解析，掌握如何有效地利用搜索引擎获取知识。

LLM 的应用和 Prompt Engineering: 熟练掌握 LLM 的使用方法，包括 prompt 设计、模型微调和推理优化，了解如何通过 prompt engineering 引导 LLM 生成高质量的查询和答案。

医疗领域知识: 学习医学术语、常见疾病和诊断流程，以便更好地理解医疗应用场景和用户需求，并针对性地优化系统性能。

系统评估和指标: 掌握医疗问答系统的评估指标，例如准确率、召回率、F1 值等，能够有效地评估和改进系统性能。

数据安全和隐私保护: 在医疗应用中，数据安全和患者隐私至关重要，需要学习相关的技术和法规，确保系统安全可靠。

5. 未来研究方向和挑战

论文指出了未来值得进一步探索的问题和挑战：

更高效的查询生成策略: 探索更智能的查询生成方法，例如多轮查询生成、自适应查询生成等，以提高查询的质量和覆盖面。

更精确的不确定性估计方法: 研究更可靠的不确定性度量方法，例如模型集成、深度学习的不确定性估计等，以提高知识选择的准确性。

多源知识融合: 将搜索引擎知识与其他知识源 (例如知识图谱、数据库) 相结合，构建更全面的知识库，提高 RAG 系统的知识覆盖率。

长上下文处理: 研究如何处理更长的上下文信息，以便更好地利用搜索引擎返回的长文本片段，提高 RAG 系统处理复杂问题的能力。

可解释性和可信度: 提高 RAG 系统的可解释性和可信度，例如提供证据来源、推理路径等，增强用户对系统输出的信任。

可能的新的技术和投资机会:

医疗专用搜索引擎: 开发专门针对医疗领域的搜索引擎，提供更精准、更专业的医疗信息检索服务。

智能 RAG 平台: 构建通用的 RAG 平台，支持用户自定义知识库和查询策略，方便开发者快速构建各种 RAG 应用。

基于不确定性的 AI 决策系统: 将基于不确定性的方法应用于更广泛的 AI 决策系统，提高系统的鲁棒性和可靠性。

医疗知识图谱构建和维护: 构建和维护高质量的医疗知识图谱，为 RAG 系统提供结构化的知识支撑。

医疗 AI 伦理和安全研究: 加强医疗 AI 伦理和安全研究，确保技术发展符合伦理规范，保障患者权益。

6. 论文的不足及需要进一步验证和存疑之处

从 critical thinking 的视角来看，这篇论文存在以下不足和需要进一步验证和存疑之处：

依赖于搜索引擎的质量: SearchRAG 的性能受到搜索引擎检索结果质量的影响，如果搜索引擎返回的信息不准确或不可靠，可能会降低系统的性能。论文在 Limitations 部分也提到了这一点。

One potential limitation of our approach is the re- liance on search engines for knowledge retrieval. The results returned by search engines may some- times include incorrect or unreliable information sources.

不确定性度量方法的局限性: 论文使用首个 token 的熵来近似不确定性，这可能无法完全反映模型的真实不确定性。更精确的不确定性估计方法可能会进一步提升知识选择的效果。

实验数据集的局限性: 论文主要在医疗执照考试题数据集上进行评估，这些数据集可能无法完全代表真实的临床问答场景。需要在更真实的临床场景和数据集上验证 SearchRAG 的有效性。

案例分析的代表性: 论文的案例分析虽然展示了 SearchRAG 的优势，但案例数量有限，可能存在选择性偏差，无法完全代表系统的整体性能。

计算成本: 合成查询生成和不确定性评估会增加计算成本，论文虽然提到平均每个医疗问题的 GPU 小时数，但没有详细分析不同组件的计算开销，以及系统在实际应用中的效率。

需要进一步验证和存疑之处:

SearchRAG 在真实临床场景中的表现: 需要在真实的临床环境中部署和测试 SearchRAG 系统，评估其在实际应用中的效果和用户反馈。

不同搜索引擎的影响: 论文使用了 Google Search，但没有对比不同搜索引擎 (例如 Bing, DuckDuckGo 等) 对 SearchRAG 性能的影响。

更细粒度的知识选择策略: 论文只使用了简单的 ΔHi > 0 的阈值进行知识选择，更精细的知识选择策略 (例如基于排序或加权) 可能会进一步提升性能。

长尾问题和罕见疾病的处理: SearchRAG 在处理长尾问题和罕见疾病方面的性能如何？需要进一步分析和评估。

–EOF–
转载须以超链接形式标明文章原始出处和作者信息及版权声明.

SearchRAG：搜索引擎在基于 LLM 的医疗问答中的作用