SchemaRouter：面向高效异构智能体RAG的字段感知工具路由

异构智能体检索增强生成（RAG）系统日益需要编排外部API、内部数据库、向量库和图库。把所有工具描述暴露给LLM智能体，或仅按向量相似度选择工具，会导致两种代价高昂的失败：过度获取（增加载荷大小、token使用和延迟）与获取不足（遗漏回答查询所需的字段）。我们提出SchemaRouter，一个轻量路由层，把工具、端点、参数、响应字段、领域概念、单位、来源与许可政策表示为一张模式图。给定查询，SchemaRouter输出一个可执行的工具计划，指明调用哪些工具、取回哪些字段。一个小型LLM抽取意图、概念与来源约束，而字段选择则在图上通过意图组投影和带别名层的概念—字段匹配确定性地完成。在一个110条查询的材料科学基准上，SchemaRouter达到0.71的答案准确率，与全部获取（fetch-everything）在重叠置信区间内持平，并超过prompt-all的0.66（区间亦有重叠）。它使用227个检索上下文token（fetch-everything为2,066个），端到端延迟比prompt-all低2.7倍。它还取得最高的工具精确率0.93和参数有效率1.0。SchemaRouter在62%的答案中落实来源与许可信息，而所有基线约为0%。我们还发现最小化所选字段数适得其反：它把答案准确率降到0.56而token节省微乎其微，保留召回的投影则恢复最高准确率。SchemaRouter在保持有竞争力的准确率的同时，提升了效率、与模式规模无关的扩展性以及可验证的来源与许可支撑问答。