OA-RAG 是一种基于本体的 Agentic RAG 框架，旨在提升大语言模型（LLM）的答案可信度。它在检索阶段引入本体的形式化推理，将本体的逻辑结构与非结构化注释同时提供给 LLM。对每个生成的答案，OA-RAG 会列出所使用的本体观察，并给出模型评估的 grounding level，分为 entailed、supported、related、unrelated 四类，反映证据的强度。
在实验中，作者选取了三个大规模本体（如 SNOMED CT、MeSH、UMLS）以及六个真实医学问答任务进行评估。相较于仅使用文本检索的 RAG 方法和在本体上微调的基线，OA-RAG 在整体表现上取得最高分，尤其在需要复杂推理的子任务上优势明显。统计结果显示，grounding level 越高的答案其准确率也越高，提供了对答案可靠性的直观指示。
此外，实验还表明本体作为知识源具有竞争力：在部分任务中，OA-RAG 的表现甚至超过了基于教科书等专门资源的领域 RAG 系统，验证了本体在医学知识组织上的价值。
点评