有多少人把Agent与RAG的检索策略,简化成了 if-else?

大多数 RAG 与Agent 的检索逻辑,都会直接写在 workflow 的某个节点里,跟推理、记忆管理、工具调用并列。它的表现形式,通常是一段固定代码:要么调 dense retriever,要么调 BM25,要么写一个 if-else 切换。
这种做法在任务单一时跑得起来。但当一个Agent 既要回答事实问题、又要处理多跳推理、还要做科学声明验证时,就会出现一个问题:没有一个机制来判断这次查询应该用哪种检索方式。
一篇来自澳门理工大学一篇主题为Experience-RAG Skill的论文提出了一个思路:把检索策略选择从 Agent 的上层逻辑里抽出来,封装成一个可复用的 skill。
论文地址:https://arxiv.org/pdf/2605.03989
那么,它具体的怎么做的,在生产中,可以给我们什么启发?

01 

检索逻辑写在 pipeline 里的三个工程问题

先看当前的常见做法。
一个典型的 RAG 或者Agent,检索相关的代码大概长这样:query 进来,经过 embedding,发给一个 retriever,拿回结果,塞进 context,交给 LLM 生成。如果后来发现 dense 不够用,就加一路 BM25,写一个 if-else 或者做一次 hybrid search。再后来,不同任务需要不同检索方式,就继续加 if-else。
这种做法会出现三个问题。
第一个是不可复用。检索策略的选择逻辑嵌在特定 workflow 的代码里,换一个任务场景就要重新写。一个项目里积累的检索经验,没有办法被另一个项目直接调用。
第二个是不可观测。策略选择发生在一段 if-else 里,没有结构化的记录。系统跑了一段时间之后,你很难回答过去一千次查询里策略选择对了多少次,哪些类型的查询被路由到了错误的检索器。
第三个是不可演进。因为策略逻辑和 workflow 代码耦合在一起,想改进路由规则就要改 pipeline 代码。没有一个独立的机制来积累什么场景用什么策略效果更好这类经验。
这三个问题在任务单一时不明显。因为一个只做事实问答的 Agent,固定用 dense retriever 就够了。但一旦 Agent 面对的任务类型开始多样化:同一个系统既要回答 Milvus 的默认一致性级别是什么这种直接事实问题,又要处理从 A 论文的方法出发结合 B 论文的数据判断 C 场景是否适用这种多跳推理,还要验证论文声称 X 方法在 Y 数据集上优于 Z 这种科学声明,一条写死在pipeline 里的检索链路根本覆盖不了。

02 

检索策略选择和普通 tool-use 的区别

很多人会把检索策略选择,等同于ReAct、Toolformer、HuggingGPT这样的tool-use?
但这里面的一个区别在于:工具调用的前置条件是知道用什么,而检索策略解决的,正是用什么、怎么用的问题。
比如,调用一个 API、执行一段代码、查一个数据库,这些工具的输入输出是明确的。但检索策略选择涉及的判断更复杂:当前查询是什么类型?上下文有多长?问题的复杂度如何?文档结构是扁平的还是层次化的?这些信号需要被分析,然后映射到一个检索方式上。
更关键的是,这种映射不是静态的。同一种类型的查询,在不同文档集、不同领域下,最优策略可能不同。这就要求系统能积累经验,记录过去在类似场景下各个检索器的表现如何,哪个策略在什么条件下领先。
普通的 tool-use 不需要这种经验积累机制。你调一个天气 API,不需要记住上次调的时候另一个天气 API 更准。但检索策略选择需要。

03 

Experience-RAG Skill 的封装思路

这篇论文把检索策略的制定,拆成了六个模块,组成了一个 skill 层,放在 Agent 和检索器池之间。
统一接口:Agent 只和 skill interface 交互。它不需要知道底层有几个检索器、当前用的是哪一个。调用方看到的就是一个接口:给一个 query,拿回一个结构化的证据包。
场景分析:query 进来后,scene analyzer 会从查询内容、对话历史和任务元数据中提取一组结构化特征,包括任务类型、领域、上下文长度、问题复杂度、查询风格、文档结构。这些特征不是交给 LLM 自由判断,而是被显式提取并记录。
经验记忆:这是这个设计里最有意思的部分。经验记忆存储的不只是这个场景应该用什么策略这个标签,而是一条完整记录:
experience = (scene_features, score_vector, best_strategy, best_margin)
score_vector 记录了各个检索器在这个场景下的实际表现分数,best_margin 记录了最优策略相对次优策略的领先幅度。这种设计意味着系统不只知道用什么,还知道各个选项差多少。当 margin 很小时,说明策略选择的敏感度不高;当 margin 很大时,说明选错策略的代价明显。
策略路由:根据场景特征和经验记忆,选择一个检索策略。当前版本用的是规则路由:direct 类任务走 dense,multi-hop 和 scientific 类任务走 hybrid RRF。
检索器池:承载实际检索的组件。当前版本包含 BM25、Rewrite-BM25、Dense、Hybrid RRF 四种。
结果打包:把检索结果封装成结构化的证据对象返回给 Agent,而不是直接丢一堆文本片段。
整个设计的核心判断是:检索策略选择这件事,复杂到值得被封装成一个独立层,但又稳定到可以被复用为一个 skill。Agent 不需要每次都从头推理我该用什么检索方式,而是调用一个已经积累了经验的 skill。

04 

实验:编排在混合负载下的价值

论文在三个公开检索 benchmark 上做了评估:BeIR/nq(事实问答)、BeIR/hotpotqa(多跳推理)、BeIR/scifact(科学声明验证),每个数据集取 120 个查询。
先看固定策略的表现:
Experience-RAG Skill 的 nDCG @10 是 0.8924,MRR @10 是 0.9006。
这组数字不是为了证明检索器更强,更多在于论证编排本身产生了增益。在逐数据集层面,Experience-RAG Skill 在每个数据集上并没有超过该数据集上的最优固定策略,它只是在每个数据集上都选了对的那个。它的优势体现在混合负载上:当三种不同类型的任务同时存在时,任何一种固定策略都会在某些任务类型上丢分,而编排层避免了这种损失。
和现代 baseline 的对比也值得看。Adaptive-RAG 的 nDCG @10 是 0.8934,比 Experience-RAG Skill 的 0.8924 略高。HyDE 是 0.8326,LongRAG-style 是 0.7095,RAPTOR-style 是 0.6841。
这组对比的意义在于:Experience-RAG Skill 和 Adaptive-RAG 的差距很小,只有 0.001,但两者的设计思路不同。Ada…
— 以上为试看内容(约 40%),开通会员后阅读全文 —