论文精读：Agentic RAG 的测试时优化策略

来自 Adobe Research 的最新研究《Test-Time Strategies for More Efficient and Accurate Agentic RAG》提出了一系列优化策略，显著提升了 Agentic RAG 系统的效率和准确性。

研究背景

检索增强生成（RAG）系统在处理复杂的多跳问题时面临挑战。近年来，Agentic 框架（如 Search-R1）通过迭代式检索-推理循环来解决这些问题，但带来了新的效率问题：

• 重复检索：多次检索已处理过的信息
• 上下文整合困难：难以将检索结果有效融入当前推理
• 不必要的检索轮次：导致 Token 消耗增加和答案准确性下降

核心贡献

研究团队提出了两个关键模块来优化 Search-R1 流程：

1. 上下文化模块（Contextualization Module）

更好地将检索文档中的相关信息整合到推理过程中。通过智能地重新组织和增强检索结果，帮助模型更有效地利用上下文信息。

2. 去重模块（De-duplication Module）

识别并替换已检索过的文档，转而获取下一个最相关的文档。这避免了信息的重复处理，提高了检索效率。

实验结果

研究在 HotpotQA 和 Natural Questions 数据集上进行了评估，使用以下指标：

• Exact Match (EM) 分数：答案精确匹配率
• LLM-as-a-Judge：LLM 评估答案正确性
• 平均轮次：完成查询所需的检索轮数

最佳配置表现

使用 GPT-4.1-mini 进行上下文化的变体取得了最佳效果：

这表明优化后的系统不仅答案更准确，而且检索效率也显著提升。

技术细节

Search-R1 基线

Search-R1 是一个迭代的 Agentic RAG 框架，工作流程如下：

1. 接收用户查询
2. 生成搜索查询
3. 检索相关文档
4. 基于检索结果推理
5. 如有需要，生成新的搜索查询
6. 重复直到获得满意答案或达到最大轮次

优化策略

研究探索了两种组件的单独效果和组合效果：

• 上下文化：在每次检索后，使用轻量级 LLM 对检索结果进行重新组织和摘要
• 去重：维护已检索文档的缓存，避免重复检索相同内容

研究意义

这项工作对 Agentic RAG 领域有重要启示：

1. 测试时优化：不需要重新训练模型，仅通过改进推理流程就能显著提升性能
2. 效率与准确性兼顾：在提高准确性的同时减少了计算开销
3. 模块化设计：上下文化和去重模块可以独立使用，也可以组合使用

相关资源

• 论文: arXiv:2603.12396
• 作者: Brian Zhang, Deepti Guntur, Zhiyang Zuo 等（Adobe Research）
• 发表时间: 2026年3月12日

标签: RAG, Agentic AI, 信息检索, LLM, Adobe Research
分类: AI 搜索