SCOUT-RAG：面向分布式领域上 Agentic Graph-RAG 的可扩展且高性价比统一遍历

Graph-RAG 利用结构化知识改进 LLM 推理，但传统设计依赖于集中式的知识图谱。在分布式且访问受限的场景（如医院或跨国组织）中，检索必须在没有全局图可见性或穷尽式查询的条件下，选择相关领域和合适的遍历深度。为应对这一挑战，我们提出 SCOUT-RAG（Scalable and COst-efficient Unifying Traversal），一个分布式 Agentic Graph-RAG 框架，在增量效用目标的引导下执行渐进式跨域检索。SCOUT-RAG 采用四个协作智能体：(i) 估计领域相关性；(ii) 决定何时将检索扩展到更多领域；(iii) 自适应调整遍历深度以避免不必要的图探索；(iv) 合成高质量答案。该框架旨在最小化检索遗憾——即遗漏有用的领域信息——同时控制延迟与 API 成本。在多领域知识设置中，SCOUT-RAG 取得与集中式基线（包括 DRIFT 和穷尽式领域遍历）相当的性能，同时大幅减少跨域调用、处理的词元总量与延迟。