この記事では、Retrieval-augmented generation (RAG) システムにおけるクエリの分解と関連文書の取得の重要性について説明しています。ユーザーの複雑な要求を効率的に処理するために、サブクエリに分解し、各サブクエリに関連する文書を取得して、最終的に答えを生成します。この過程では、全ての関連情報を捕らえるための広範な取得と、過剰なノイズや計算コストを避けるための制限という二つのトレードオフのバランスが求められます。文書の関連性を評価するためにバンディット学習手法を用い、情報価値の高いサブクエリを動的に選択する実験を行い、文書レベルの精度が35%向上し、{eta}-nDCGも15%増加したという成果を示しています。これにより、長文生成タスクにおいても性能が改善されることが確認されました。