#Agentic Pipeline

3 篇

An Empirical Study of VLM Pipelines for Long-Document QA

VLM 长文档问答流水线的实证研究

🧭 长文档 VLM QA 流水线实证

Amazon

图像检索 top-k 页面输入是 token 效率与准确率均衡选择，Agent 收益随 VLM 规模增大才显现

📌 工作参考价值（4 点）

在商品详情、说明书、财报等多模态长文档处理中，优先尝试图像 embedding 检索 top-k 页面/区块而不是全量文本入库，token 可降到全页输入的 1/7 到 1/4，且准确率不降反升。
Agent 工具调用（page/table/figure/search）不是小模型的免费午餐：Qwen3.5-4B/9B 上落后静态页面输入，27B 才持平，Sonnet 4.5 才领先。实际选型时先评估静态管道，再决定是否把预算花在 agentic 流程上。
文本检索侧一个现成 cross-encoder rerank 就能匹配很重的多阶段 LLM 管道，工程上可用轻量 reranker 替代 LLM 重排，节省成本和延迟。
最强流水线之间互补，oracle 路由能提升约13点，但证据类型路由几乎无效；说明自动路由很难，可先通过人工分析问题类型或构建更强路由特征，不要盲目上路由模型。

RAG | 2026-09-24 | cs.CL | score 6/10

FashionKG-RAG：知识图谱增强的时尚问答检索增强生成

🧭 知识图谱增强 RAG · 时尚问答

构建领域级时尚知识图谱 FashionEcoKG，并设计训练无关的 PG-RAG 框架，通过双粒度路径重排提升时尚问答准确率

📌 工作参考价值（4 点）

构建领域知识图谱时不要止步于物品属性/关系，可借鉴 FashionEcoKG 的 agentic 三阶段管道：从权威教材抽取高保真知识核心，再做跨域增强和生成式扩展，捕获电商领域的完整生态（设计、生产、营销、穿搭等），降低 LLM 幻觉。
PG-RAG 的 Dual-Granularity Path Re-Ranking 可直接迁移到通用 RAG 检索后排序：先用剪枝后的 query skeleton 提升召回，再用原始完整 query 对候选路径逐条做 agentic 审查，兼顾召回和精确率。
训练无关（training-free）框架适合快速落地，无需微调 LLM，只需在检索和重排环节做结构化处理，适合电商搜索推荐团队在现有 RAG 管线上增量部署。
对时尚/导购类 Agent，可以将领域 KG 作为工具或知识源，结合 skeleton 提取和路径重排，让 Agent 回答“这件衣服适合什么场合”等知识密集型问题时更有依据。

RAG | 2026-08-24 | cs.IR | score 7/10

面向Agent图像编辑的领域约束候选选择：阴影去除案例

🧭 Agent驱动的约束式生成编辑

Stony Brook University · UNC Charlotte

将阴影物理先验注入Agent候选生成-评估-筛选流程，显著减少幻觉并提升编辑可靠性

📌 工作参考价值（4 点）

借鉴 Agent 多轮候选生成-评估-筛选流程，用于自动生成商品图文描述或广告文案：先让 LLM 生成若干候选，再用领域评估器（基于规则或轻量分类器）过滤并选择最佳，提升内容质量。
将业务先验（如商品属性准确性、合规性）固化为提示与评估准则，约束生成模型，减少幻觉，类似论文中用物理先验界定“阴影是光照效果”的做法。
引入重试机制与快速失败检测：评估器发现明显违规（如描述与图片不符）时立即重新生成，避免低质输出流入下游。
评估器可采用轻量级方案（如关键词匹配、属性校验）替代复杂模型，在候选筛选阶段快速剔除明显错误，降低整体审核成本。

Agent | 2026-08-06 | cs.CV | score 6/10