多智能体检索增强框架用于基于证据的健康虚假信息对抗性回应

结合检索增强生成（RAG）的大型语言模型（LLM）在生成针对虚假信息的对抗性回应方面展现出强大能力。然而，现有研究依赖有限证据且对最终输出的控制不足。为解决这些问题，提出一种多智能体检索增强框架来生成针对健康虚假信息的对抗性回应，通过多个LLM优化知识检索、证据增强和响应优化。

该方法整合静态与动态证据，确保生成的对抗性回应具有相关性、充分依据和时效性。在礼貌性、相关性、信息量和事实准确性方面均优于基线方法，证明了其生成高质量对抗性回应的有效性。通过消融实验验证了框架中各组件的必要性，交叉评估表明该系统能够泛化到不同的健康虚假信息主题和数据集。人工评估显示优化过程显著提升对抗性回应质量并获得人类偏好。

接受发表信息：COLM 2025会议录用
学科分类：计算与语言（cs.CL）
版本记录：v2版本于2025年7月27日更新