大模型在传统RAG系统中检索自主权受限，导致任务效率和结果质量受限。中国科大量身打造的A-RAG框架通过分层检索接口，赋予模型检索主动权，实现按需选择检索粒度和策略。A-RAG包含构建分层索引、设计分层检索工具、智能体循环三个关键步骤，大幅提升复杂问答任务的准确率和效率。实验证明，A-RAG在多跳问答数据集上表现优异，且随着模型能力提升，性能同步增强。该框架适用于多跳问答、复杂信息检索等场景，为程序员提供可迁移的检索优化思路。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

**论文题目|**A-RAG: Scaling Agentic Retrieval-Augmented Generation via Hierarchical Retrieval Interfaces

论文信息

📄 论文链接：

https://arxiv.org/pdf/2602.03442

一、引言：大模型"检索自主权"缺失，传统RAG难以为继

当前大模型早已具备强大的推理和工具使用能力，但主流RAG系统却没能充分利用这份优势——要么一次性检索所有相关段落一股脑喂给模型，要么让模型死板执行预设好的检索流程。

这就像让一个经验丰富的侦探只能按固定路线查案，既不能自主决定先查什么线索，也不能根据新发现调整方向，严重限制了任务效率和结果质量。

中国科大量身打造的A-RAG框架，通过分层检索接口让模型真正掌握检索主动权，不用啃公式推导，就能搞懂论文的创新逻辑、工作原理和落地价值，还能学到可迁移的检索优化思路。

二、核心背景：读懂A-RAG前，先搞懂这些关键信息

1、传统RAG的两大流派与致命缺陷

当前RAG领域主要有两种思路，但都存在明显短板：

1）Graph RAG（图结构RAG）：核心是把文本构建成实体关系图，让模型能基于图谱检索相关信息。比如微软的GraphRAG、模拟海马体记忆的HippoRAG2，都靠预定义的图谱结构优化检索。但问题在于检索逻辑完全由算法决定，模型发现检索信息不足时，没法主动补充检索。

2）Workflow RAG（流程化RAG）：提前设计好固定的检索流程，让模型一步步执行。比如FLARE会在生成信心不足时触发检索，MA-RAG靠多智能体协作检索。但流程是固定死的，模型不能根据任务特点灵活调整策略。

这两种方法的共同问题是：模型没有检索自主权，只能被动执行指令，无法发挥自身的推理能力。

2、关键术语通俗解读

1）Agentic RAG（智能体化RAG）：让RAG系统像智能体一样，能自主决定检索策略、执行步骤和工具使用方式，而不是被动遵循预设规则。

2）分层检索接口：提供不同粒度的检索工具，就像给侦探准备了放大镜（关键词检索）、望远镜（语义检索）和档案查阅（片段阅读），能按需选择工具。

3）LLM-Acc（LLM评估准确率）：用大模型判断预测结果与标准答案的语义是否一致，比单纯的字面匹配更贴合实际应用场景。

4）Cont-Acc（包含匹配准确率）：判断标准答案是否直接出现在模型的生成结果中，适合短答案任务评估。

3、论文核心研究目标

针对传统RAG"模型无自主权"的核心痛点，设计一套让大模型能自主选择检索粒度、调整检索策略的框架，在不增加过多检索成本的前提下，提升复杂问答任务的准确率和效率。

**三、**核心原理：A-RAG的工作逻辑，三步实现自主检索

A-RAG的核心设计可以拆解为三个关键步骤，从数据准备到实际检索形成完整闭环：

01

第一步：构建分层索引——给信息分好类，方便按需检索

先对原始文本做两层预处理，形成三级信息结构：

1）片段划分（Chunking）：把文本分成约1000个token的片段，确保每个片段语义完整，就像把一本书分成独立的章节。

2）句子嵌入（Embedding）：把每个片段拆成句子，用预训练模型将句子转换成向量，方便后续语义匹配。

3）三级信息结构：最终形成关键词级（字面匹配）、句子级（语义匹配）、片段级（完整内容）的三层结构，无需复杂的预构建图谱，大幅降低索引成本。

02

第二步：设计分层检索工具——给模型配好"工具箱"

核心创新点就在这三个工具，让模型能按需选择：

1）keyword_search（关键词检索）：精确匹配文本中的关键词，适合查找特定实体、术语。比如搜索"爱因斯坦"，会直接返回包含该关键词的片段摘要，关键词越长权重越高，避免无关匹配。

2）semantic_search（语义检索）：不纠结字面意思，而是匹配语义相似的内容。比如搜索"三月旅行的目的地"，即使文本中没有完全相同的表述，也能找到"计划三月去中国度假"这类语义相关的内容。

3）chunk_read（片段阅读）：基于前两个工具返回的摘要，模型可以决定哪些片段需要精读，进而读取完整内容，还能选择读取相邻片段补充上下文。

03

第三步：智能体循环——让模型自主决策检索流程

采用类似ReAct的交互逻辑，让模型在推理和检索之间反复迭代：

1）模型接收问题后，根据问题特点选择合适的检索工具（比如明确实体就用关键词检索，模糊概念就用语义检索）。

2）接收工具返回的结果后，判断是否需要进一步检索（比如信息不足就换工具继续检索，信息足够就开始生成答案）。

3）用上下文追踪器（Context Tracker） 记录已读取的片段，避免重复读取浪费资源，同时鼓励模型探索更多相关片段。

这个过程中，模型完全自主决定"用什么工具"“检索多少次”“读哪些片段”，真正实现了"检索由模型主导"。

四、实验结果：A-RAG到底有多强？

1

实验设置说明

论文在4个主流多跳问答数据集（HotpotQA、2WikiMultiHopQA、MuSiQue、GraphRAG-Bench）上做了测试，对比了传统RAG、Graph RAG、Workflow RAG等10余种方法，用GPT-4o-mini和GPT-5-mini作为基础模型，确保对比公平性。

2

核心实验结论

1）自主检索范式优势明显：即使是简化版的A-RAG（Naive），只配备单个嵌入检索工具，性能也超过了大部分Graph RAG和Workflow RAG方法，证明给模型检索自主权本身就有巨大价值。

2）分层工具进一步提升性能：完整版A-RAG（Full）在GPT-5-mini上表现最佳，所有数据集的LLM-Acc都显著领先，比如在HotpotQA上达到94.5%，比传统Naive RAG高出13个百分点。

3）检索效率更高：虽然A-RAG能自主选择检索策略，但检索的token数量并不比传统方法多，甚至在HotpotQA、2Wiki等数据集上，检索token数还减少了一半以上，实现了"更准且更高效"。

4）随模型能力同步 scaling：模型越强，A-RAG的优势越明显。GPT-5-mini搭配A-RAG时的性能提升，比GPT-4o-mini搭配A-RAG时更显著，说明A-RAG能充分利用大模型的推理能力。

3

优势与适用场景分析

1）核心优势

• 自主性强：模型能根据任务灵活调整检索策略，复杂问答任务表现突出。
• 效率高：分层检索避免了无效信息的冗余加载，检索成本可控。
• 扩展性好：随着模型推理能力提升，性能能同步提升，适配未来大模型发展趋势。

2）适用场景

多跳问答、复杂信息检索、需要动态调整检索策略的知识密集型任务。

五、总结

传统RAG的核心是"优化检索算法"，而A-RAG的核心是"让模型自主掌控检索"，这是一次真正的范式转变。

它通过分层检索接口，让大模型能像人一样按需选择检索工具、调整检索策略，既发挥了大模型的推理优势，又保持了检索的高效性。

实验证明，这种设计不仅能显著提升多跳问答任务的准确率，还能随模型能力同步升级。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓