#Adaptive Retrieval

5 篇

EAGR: Evidence-Guided Adaptive Graph Retrieval

证据引导的自适应图检索 EAGR

🧭 RAG · 证据引导的隐式图多跳检索 ★ 深度解读

IBM

用 VectorDB 元数据中的语义描述符构成隐式图，以积累证据动态选择检索方向，无需显式图或查询改写

📌 工作参考价值（4 点）

商品/内容知识库可离线用 LLM 抽取商品属性、卖点、适用人群、实体等作为 metadata 存入现有向量库；共享同一 descriptor 即形成隐式连边，无需构建商品知识图谱或专用 GraphDB。descriptor 必须 grounding 到原文，并做同义/人名归一，能低成本获得图遍历能力。
会话式导购/多跳商品搜索中，用「accumulated evidence」选择下一步要扩展的属性或关系，而不是重写整个 query 或遍历所有关联属性：让 LLM 基于已确认的用户约束和商品信息，从当前候选 descriptor 里只挑几个最可能补全信息缺口的方向，可显著节省检索预算。
回答/推荐理由生成前增加「充分性校验 + 证据链填空」：让 LLM 写出 (entity, attribute, value) 链，并强制每个 value 必须出现在已检索内容中，能拦截模型用参数记忆胡编，适合电商 QA、卖点解释和售后理由。
多跳检索结果按证据链重排，而非仅按 query 相似度：通过关系/属性间接命中的商品或内容，应优先展示能支撑最终结论的节点，可提升 RAG 上下文质量和推荐理由的可信度。

RAG | 2026-11-01 | cs.IR | score 8/10

PAGE-RAG：基于投影感知自适应图检索的长文档问答

🧭 图增强检索 · 自适应路由

成都信息工程大学 · 北京航空航天大学

将图视为文档语义骨架，通过任务自适应路由和知识边界控制提升长文档问答的可靠性和效率

📌 工作参考价值（4 点）

自适应检索路由可用于电商多源知识问答：在商品知识库、政策文档等长文本场景，根据问题类型动态选择只查图、只查原文档或两者结合，平衡效率与质量，避免图检索的过度开销或信息遗漏
图作为语义骨架而非独立知识源：在构建商品属性图、类目关系图时，明确图仅是文档的辅助导航结构，最终答案仍需回源文档验证，可减少因图结构不完备导致的幻觉
知识边界控制机制可直接迁移：在客服Agent或商品推荐解释生成中，通过定义证据范围拒绝回答超出知识覆盖的问题，提升系统可信度，避免编造描述
检索行为显式路由：可启发在推荐/搜索中设计查询理解模块，动态选择不同检索策略（如稠密检索、图检索、混合检索），而非一刀切，提升长尾查询效果

RAG | 2026-07-21 | cs.IR | score 7/10

记忆作为受控过程：LLM Agent 的习得式自适应记忆管理

🧭 Agent 自适应记忆控制 · Contextual Bandit ★ 深度解读

University of California Los Angeles · University of Washington · Northwestern University

将 Agent 记忆访问建模为 MDP，用在线 contextual bandit 学习自适应策略，零额外 LLM 调用且后端无关

📌 工作参考价值（4 点）

轻量级记忆控制器：可将 Agent 检索深度、是否注入过往成功策略、何时遗忘陈旧信息的决策，接管为一个表格式上下文 Bandit，在线学习 Q 表，收敛只需几十个任务，无需额外 LLM 推理，适合电商对话 Agent、智能客服等对延迟和成本敏感的场景。
后端解耦：记忆控制策略与底层存储（向量库、图记忆、潜 Token 记忆等）分离，现有系统只需暴露检索/存储接口即可无缝装配，便于在推荐商品问答、多轮导购等场景中，渐进式将固定 retriever 升级为自适应 retriever。
令牌节省机制：通过抑制无效检索、复用成功计划模板，MEMCON 实现 5–20% 的 token 消耗下降同时提升成功率，对计费严格的 LLM 应用有直接成本收益。
状态设计思路：在电商推荐 Agent 中，可按“目标商品类别”“步骤阶段”“是否卡壳”“记忆库规模”等构建紧凑状态，配合少量离散动作空间，即可部署类似 UCB 策略，让 Agent 学会何时更多检索历史对话、何时直接复用成功推荐链路。

Agent | 2026-07-15 | cs.CL | score 8/10

ScoreGate: 双分数统计融合的自适应块选择

🧭 RAG 自适应检索块选择 ★ 深度解读

HighLevel, Inc.

利用 bi-encoder 和 cross-encoder 双分数四分区自适应决定 RAG 块数量，无额外推理开销

📌 工作参考价值（4 点）

在电商 RAG 场景（客服问答、商品推荐解释）中可直接复用：利用已有的 bi-encoder 和 cross-encoder 输出分数，按四分区规则自动决定传给 LLM 的上下文块数量，降低无关信息干扰和 token 开销。
借鉴不对称阈值设计：对 cross-encoder 高、bi-encoder 低的分区（如不同术语但高度相关的商品描述）采用更低保留阈值，可显著提升词汇不匹配场景的召回，减少 LLM 过滤器造成的假阴性。
阈值可通过生产日志一次性校准（归一化分位点+网格搜索），无需模型重训练，计算增加仅 31 ms，适合实时在线服务。
固定 MAX-K 护盾机制防止上下文窗口溢出，可结合业务设置上限，避免极端安全风险。

RAG | 2026-06-12 | cs.IR | score 8/10

尾部感知自适应k：查询自适应的RAG上下文选择

🧭 RAG · 自适应上下文选择

AI Lab, 37 Interactive Entertainment · School of Computer Science, Wuhan University

利用排序相似度曲线陡-平-陡模式进行拐点检测，结合局部极值理论检验，实现高效、查询自适应的检索截断，近似oracle质量

📌 工作参考价值（4 点）

在RAG pipeline中，可利用相似度曲线的几何特征（陡-平-陡）进行拐点检测，动态决定检索文档数量，避免固定k带来的噪声或遗漏，提升面向电商问答、知识检索的生成质量。
推荐系统中，向量召回后的结果截断可借鉴该方法：根据item相似度分布自动确定top-k，替代人工经验调参，降低粗排/精排计算量，尤其在长尾查询下稳定。
Agent系统需要从工具或知识库中动态选取上下文时，TAA-k提供了一种无训练、低计算开销的自适应截断策略，适合线上实时决策。
方法对嵌入模型和压缩维度鲁棒，可跨业务场景复用，无需重新训练或校准。

RAG | 2026-06-10 | cs.IR | score 7/10