arXiv 2610.08452 Agentic AutoRAG：用推理 agent 优化 RAG 管线超参

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