我们提出了 iRAG 系统，它将检索增强生成（RAG）与混合决策机制相结合，面向需要人机协同的决策支持场景。传统 RAG 依赖预先构建的知识库（KB），而 iRAG 假设 KB 起始为空，随后通过人类的决策逐步填充。系统会把每一次决策保存为可检索的前例，形成一个随时间增长的案例库。
iRAG 的工作流分为三个阶段：
- 静默观察——系统仅记录输入，不做任何输出；
- 基于证据的争议——在检索到的前例基础上生成解释性答案，供人类审查并纠正；
- 自主处理并可选择回避——在足够的证据支持下系统自行给出答案，若不确定则选择回避（abstention）。
在与独立基线的对比实验中，iRAG 在知识漂移小于 10% 时能够保持与基线相当的最终决策错误率；在所有配置下，当漂移达到 40% 时错误率下降幅度最高可达 40%。引入检索衰减（retrieval decay）后，系统在知识变化快速的情形下表现更好，但对稳定知识的错误率会提升，体现了稳定性‑可塑性的权衡，而非普遍优势。
人类监督被设计为工作流的结构性组成部分，但系统在真实用户环境中的可用性仍需进一步评估。
点评