代理编排的自适应 RAG：结构化检索和多跳检索的比较研究

检索增强生成 (RAG) 通过将响应基于外部知识来增强 大语言模型 (LLM)，但传统管道依赖于静态、单步检索，这限制了复杂查询的性能。本文提出了一种代理协调的自适应 RAG 框架，该框架引入了动态查询分解、迭代检索和有界自我反思评估循环。我们通过两个互补的数据集评估系统：特定领域的 DevOps 知识库和多跳推理基准 MuSiQue。使用包括总分、引用准确性、平均倒数排名和主题覆盖率在内的指标，我们发现查询分解在结构化领域中产生了一致的收益（DevOps 上的总分 $+0.04$，MRR $+0.17$），但降低了多跳基准上的排名精度，而反射机制以相当大的延迟成本提高了引用准确性。这些对比结果表明，代理增强并不是普遍有益的，必须根据查询和领域特征有选择地应用。我们的研究结果支持自适应的、具有成本意识的编排，而不是一律积极的推理管道。