资讯
arXiv 2610.08452 Agentic AutoRAG：用推理 agent 优化 RAG 管线超参
一句话：Agentic AutoRAG 用 LLM agent 在多目标 RAG 超参空间里做检索/生成失败归因，前十次试验即追平基线全量结果。
背景
- 论文 Agentic AutoRAG（10 月 6 日，cs.CL，被 EMNLP 2026 REALM 与 NeurIPS 2026 ML for Systems 接收）研究 RAG 管线的超参优化。
核心要点
- 把 RAG 配置视为多目标超参优化（分块/嵌入/重排/生成），但诊断器能归因每次失败在检索还是生成。
- Proposer 基于模型排名与定价知识库选下一组配置，在准确率与成本间权衡、描出帕累托前沿。
- 三个多跳 QA 基准上 judge 准确率超过所有对比基线；前 10 次试验即追平统计基线全量 30 次结果。
- 真实医疗语料成本模式下达 77% 中位准确率（基线 71.5%），成本约其 58%。
为什么重要
- RAG 落地最大的隐性成本是管线调参；用 agent 做「失败归因 + 成本感知搜索」，把调参从手工试错变成可复用的自动优化。
关键事实速记
- 论文 arXiv 2610.08452（10-06）
- Agentic AutoRAG
- 检索/生成失败归因
- 前 10 次追平 30 次基线
- 医疗语料 77% @ 58% 成本
📂 原文链接：查看原文 →
← 返回资讯列表
AI8899 · 内容仅供学习参考