自适应查询路由：用于跨财务、法律和医疗文档混合检索的分层框架

检索增强生成（RAG）已成为将 大语言模型 输出扎根于外部知识的标准范例。卢默等人。 [1] 提出了第一个系统评估，将基于向量的代理 RAG 与基于分层节点的推理系统进行比较，以进行 1,200 份 SEC 备案的财务文档 QA，发现基于向量的系统取得了 68% 的胜率。同时，PageIndex 框架 [2] 通过纯粹基于推理的检索在 FinanceBench 上展示了 98.7% 的准确率。本文通过以下方式扩展了他们的工作：(i) 实施和评估三种检索架构：向量 RAG、树推理以及跨金融、法律和医学领域提出的自适应混合检索 (AHR)； (ii) 引入四层查询复杂性基准； (iii) 采用 GPT-4 支持的 LLM 作为判断评估。实验表明，树推理获得了最高的总体得分 (0.900)，但没有任何一种范式在所有层中占据主导地位：Vector RAG 在多文档综合（第 4 层，得分 0.900）上获胜，而混合 AHR 在交叉引用 (0.850) 和多部分查询 (0.929) 上实现了最佳性能。基于树和混合方法的交叉引用召回率达到 100%，而向量搜索为 91.7%，量化了关键的能力差距。 FinanceBench 上的验证（针对真实 SEC 10-K 和 10-Q 文件的 150 个专家注释问题）证实并强化了这些发现：Tree Reasoning 得分为 0.938，Hybrid AHR 为 0.901，Vector RAG 为 0.821，真实世界文档中 Tree-Vector 质量差距扩大至 11.7 个百分点。这些发现支持自适应检索系统的开发，该系统根据查询复杂性和文档结构动态选择策略。所有代码和数据都是公开的。