Agent-Orchestrated Adaptive RAG: A Comparative Study on Structured and Multi-Hop Retrieval
智能体编排的自适应 RAG：结构化与多跳检索对比研究
🧭 RAG 自适应编排与多跳检索对比
University of Toledo
提出 Agent 编排的自适应 RAG 框架，发现动态分解与反思并非普适，需根据查询和领域选择性使用。
📌 工作参考价值
- 按查询类型自适应路由：电商 RAG 系统中，简单事实查询避免过度分解，多跳推理查询才启动迭代检索，避免统一处理带来的精度损失。
- 引用准确性增强可参考反思机制：在答案生成后增加轻量级自检（如检查引用是否支持声明），能明显提升可信度，但需控制延迟，可只在高风险场景（如售后纠纷、合规问答）开启。
- 结构化领域优先采用查询分解：对于商品说明书、运维手册等结构清晰的语料，动态分解能提升检索覆盖率和排序精度（MRR +0.17），可直接复用。
- 成本感知的编排框架设计：根据延迟预算和查询复杂度动态调节 agent 行为，避免“最强即最好”的暴力策略，对工程落地很有价值。
动机：传统 RAG 使用静态、单步检索，难以应对需要多跳推理或深度解析的复杂查询，在 DevOps 等高风险领域易出错。
方法：提出 Agent 编排的自适应 RAG 框架，核心包含三个组件：动态查询分解（将复杂问题拆成子问题）、迭代检索（逐步收集证据）和有界反思回路（生成答案后自检，最多重试 3 次）。在结构化 DevOps 知识库和多跳推理基准 MuSiQue 上对比评估。
关键结果：在结构化领域，查询分解带来显著收益（DevOps 总分 +0.04，MRR +0.17），但反思机制几乎无额外帮助；在多跳基准，分解反而降低排序精度（MRR 下降），反思能提升引用准确性却引入严重延迟。总体表明，agentic 增强并非普适，需自适应、成本感知地选择性应用。