论文
超越语义相似：复杂任务 Agentic 检索的效果与代价
Beyond Semantic Similarity: Performance and Costs of Agentic Retrieval for Complex Tasks
摘要
现代信息系统（包括许多 Agentic 工作流程）使用密集检索来探索大量非结构化数据。然而，密集检索依赖于表面语义相似性，这对于日益复杂的搜索应用来说是不够的。在这里，我们研究了 Agentic 检索，它将 大语言模型 (LLM) 的推理功能与 ReAct Agentic 循环中检索器的高效语料库探索相结合，以解决复杂的检索任务。在我们的实验中，我们表明 Agentic 检索比标准检索更有效，使用相同的嵌入模型将 nDCG@10 提高了 8.7 个点。此外，虽然专门的检索方法在域外任务上遇到困难，但 Agentic 检索具有高度通用性：相同的管道在 ViDoRe v3 和 BRIGHT 排行榜上都取得了有竞争力的结果。然而，这种改进是有代价的。平均而言，Agentic 检索需要 107.4 秒，而标准检索则需要 0.67 秒，每个查询消耗 764.1K 输入和 5.8K 输出 token。简而言之，我们的研究证明了 Agentic 检索在现代数据系统中的有效性，并激发了未来针对大规模部署的更具成本效益的检索智能体的工作。