arXiv 论文提出知识编译层，检索代理查询 token 平均降 38%
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载harness 解决了准确率
论文把检索增强生成的变化归结为「代理化」：搜索 harness 自己写查询、读结果、改写查询，并判断何时停止。作者在实验中只给 harness 配上 BM25/grep 与 MiniMax M3，不使用编译索引或向量索引，在 BrowseComp-Plus 上得到 85% 的答对率，在多跳 FRAMES 上得到 91%。这说明在 harness 足够能干的前提下，检索准确率本身已不是主要瓶颈。真正暴露出来的是上下文问题：不受约束的循环会重复同样的查询、反复重读同一批文档，把上下文窗口填满未被使用的段落。
编译是供给层而非检索器
论文强调知识编译不是「更好的检索器」。在称职的 harness 下，结构化产物在 FRAMES 上没有带来可检测的准确率提升，PageIndex 式的大纲在规模变大后反而退化。作者把编译定位为供给层：一条可配置的摄取管线，由 LLM 为文档补充单个分块无法承载的上下文，例如带 claim-evidence 叶子的导航层级、实体图、时间线、思维导图、本体、wiki 与记忆。其中被量化的是导航树这一机制：证据充分时查询 token 减少 91%，证据不足时增加 1.9%，平均下来降 38%。
盈亏平衡与延迟代价
由上述两个方向的幅度可以推出，充分率只需约 2% 就能打平，而实测充分率接近 43%，因此平均收益为正。但节省并非没有代价：替代方案省下 token 的同时增加了检索轮次，自身也带来延迟开销。论文给出的决策门把延迟从 140 秒压到 30 秒。其余产物，包括本体、图、wiki、时间线、思维导图与记忆，其价值体现在治理、集成、上手、时间定位与连续性等部署环节，准确率基准看不到这些收益。
开源实现与工程形态
作者描述了 RAGFlow 的管线与 harness，并给出开源地址。这套实现把循环拆成五个受约束的站点，目标是让进入模型的上下文始终是最小的充分集合，两者合起来构成面向 agent 的形态。对读者的意义在于：如果正在搭建检索代理，可以先评估 harness 本身的能力上限，再决定是否投入知识编译；编译的收益主要落在 token 成本与部署治理上，而不是基准准确率。
为什么值得看
给出了检索代理中「知识编译」这一层的量化收益与代价，对做 RAG 与 agent 上下文管理的人有直接参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。