返回文章列表

GRASP:让 Agentic RAG 学会按粒度检索

阅读约 3 分钟

导语

Agentic RAG 正在把传统 RAG 从“一次检索、一次生成”推进到“边想边搜、边读边答”的形态。但真正难的问题也随之出现:模型什么时候该继续检索?遇到问题时该用语义相似度搜索,还是用关键词精确匹配?拿到一句相关证据后,是否需要继续展开到段落级上下文?

论文 GRASP: GRanularity-Aware Search Policy for Agentic RAG 正是围绕这些决策展开。它提出一个强化学习框架,让检索代理在多步推理过程中学习协调不同搜索工具,并根据需要控制上下文粒度。

核心要点

  • 从“检索更多”转向“检索更合适”:GRASP 不只是把更多文档塞进上下文,而是让代理先获取句子级证据,并只在必要时读取更大的段落上下文,减少无关 token 干扰推理。
  • 组合三类动作:系统为代理提供语义搜索、关键词搜索和段落阅读。语义搜索适合广泛探索相关内容,关键词搜索更适合锁定实体或特定线索,段落阅读用于在局部上下文中验证证据。
  • 用强化学习训练检索策略:论文设计的奖励同时考虑答案准确性、是否基于证据阅读、不同搜索方式的互补使用,以及完成任务所需轮次效率。这使代理不仅追求答对,也要学会更经济、更有依据地检索。
  • 面向多跳推理场景:在多跳问答任务中,问题往往需要串联多个证据点。GRASP 的目标是让代理像人一样先“扫读”找方向,再“精读”核实关键事实。

意义与影响

这项工作的重要性在于,它把 Agentic RAG 的重点从提示工程推进到可学习的检索策略。过去很多 RAG 系统依赖固定流程:先召回若干片段,再交给大模型总结回答。Agentic RAG 虽然允许模型多轮调用工具,但如果没有可靠策略,代理仍可能过度搜索、重复搜索,或被大段无关上下文带偏。

GRASP 给出的思路是:检索不是单一动作,而是一组互补技能。语义搜索负责打开搜索空间,关键词搜索负责精确定位,段落阅读负责补足局部语境。通过强化学习,代理可以在这些工具之间形成更可解释的“略读与扫描”行为。

从应用角度看,这类方法对企业知识库问答、科研文献分析、合规审查和复杂客服场景都有启发意义。这些任务往往不缺数据,缺的是在有限上下文预算内找到真正相关的证据。粒度感知的检索策略有望降低噪声,提高回答可追溯性,也让 Agentic RAG 更接近可控、可评估的工程系统。

当然,素材并未给出具体数据指标,因此还需要阅读完整论文才能判断提升幅度、实验设置和泛化能力。但仅从摘要看,GRASP 代表了 RAG 研究中的一个清晰趋势:未来的检索增强系统不只是“会搜”,还要学会“什么时候搜、怎么搜、读到什么程度”。

来源:Hugging Face Daily Papers

评论

正在确认登录状态……

正在加载评论……

相关文章

CCTest · Blog
随机实验显示:Google AI Overviews或令外链点击减少四成
RAG 与检索
cctest.ai
RAG 与检索

随机实验显示:Google AI Overviews或令外链点击减少四成

一项针对美国桌面用户的随机实验发现,显示 AI Overviews 的搜索体验组,点击搜索结果外部网站的次数比隐藏该功能的对照组少约四成。结果为评估 AI 搜索对网站流量的影响提供了实验依据,但适用范围仍需谨慎看待。

阅读全文
CCTest · Blog
亚马逊要建立“全球商品图谱”,把全网商品纳入搜索版图
RAG 与检索
cctest.ai
RAG 与检索

亚马逊要建立“全球商品图谱”,把全网商品纳入搜索版图

据报道,亚马逊正在考虑建立覆盖全互联网商品的“全球商品图谱”,包括那些并不在亚马逊销售的商品。该项目旨在减少用户跳出亚马逊查找商品信息的需求,也为其购物人工智能提供更完整的数据。

阅读全文