自适应 RAG 的轻量级查询路由：RAGRouter-Bench 的基线研究

检索增强生成管道涵盖了广泛的检索策略，这些策略在词元成本和功能上存在很大差异。为每个查询选择正确的策略是一个实际的效率问题，但尚未在 RAGRouter-Bench \citep{wang2026ragrouterbench} 上训练任何路由分类器，这是一个最近发布的基准，涉及四个知识领域的 7,727条查询，每个查询都用三种规范查询类型之一进行注释：事实、推理和摘要。我们在此基准上首次对基于轻量级分类器的路由进行系统评估。在三种特征体系下评估五个经典分类器，即 TF-IDF、MiniLM 句子嵌入 \citep{reimers2019sbert} 和手工制作的结构特征，产生 15 个分类器特征组合。我们的最佳配置，带有 SVM 的 TF-IDF，实现了 $\mathbf{0.928}$ 的宏观平均 F1 和 $\mathbf{93.2\%}$ 的准确度，同时模拟相对于始终使用最昂贵的范式而言 $\mathbf{28.1\%}$ 的词元节省。词法 TF-IDF 特征比语义句子嵌入高出 $3.1$ 宏 F1 点，这表明表面关键字模式是查询类型复杂性的强大预测因子。领域级分析表明，医学查询最难路由，而法律查询最容易处理。这些结果建立了可重复的查询端基线，并强调了语料库感知路由必须弥补的差距。