Context as Infrastructure：面向智能体系统检索的知识编译与 harness

作者：Zhichang Yu、Baining Cao、Sbaaoui Idriss、Qi Wang、Gangqiang Xu、Ling Qin、Xiaoling Jin、An Liu、Shaohao Cai、Xiaoyang Bao、Shengle Chen、Changchang Ding、Pengfei Zhu、Jingxiang Xu、Yifeng Mao、Lu Liu、Hai Jin、Yingfeng Zhang

查看 PDF HTML（实验性）

摘要：检索增强生成正变得具备智能体特性。一个搜索执行框架会编写查询、读取结果、重新表述，并决定何时停止。这在很大程度上解决了准确性问题：在我们的运行中，一个仅使用 BM25/grep 和 MiniMax M3 的执行框架在 BrowseComp-Plus 上回答了 85%，在多跳 FRAMES 上达到 91%，且无需编译索引或向量索引。但它暴露了一个上下文问题：不受约束的循环会重复查询、重读文档，并用未使用的段落填满上下文窗口。缺失的一层是知识编译：一个可配置的摄取流水线，LLM 在其中用任何单个分块都无法单独包含的上下文来丰富文档——带声明-证据叶节点的导航层级、实体图、时间线、思维导图、本体、wiki 和记忆。编译并不是更好的检索器：在能力足够的执行框架下，结构化产物在 FRAMES 上没有带来可检测的准确率提升，而 PageIndex 风格的大纲在规模扩大时性能下降。它是一个供给层。一个叶节点为声明-证据对的导航树——也就是我们测量的机制——在证据充分时将查询 token 减少 91%，在证据不充分时增加 1.9%，平均减少 38%；这意味着 2% 的盈亏平衡充分率，而实测充分率接近 43%。一个决策门将延迟从 140 秒降至 30 秒，不过替换带来的 token 节省是以检索轮次为代价的，并且自身带有延迟成本。其他产物——本体、图、wiki、时间线、思维导图、记忆——在部署中（治理、集成、上手、时间定位、连续性）带来收益，而这些是准确率基准无法看到的。我们描述了 RAGFlow 的流水线和执行框架（开源于此 https URL），它将循环转变为五个受约束的站点，并让进入模型的上下文保持为最小充分集合；它们共同构成一个智能体原生数据库：一个向智能体提供经过编译、受治理的上下文，而不是排序段落列表的存储。

评论：	13 页，2 张图
主题：	信息检索（cs.IR）；人工智能（cs.AI）；计算与语言（cs.CL）
引用为：	arXiv:2610.41172 [cs.IR]
	（或 arXiv:2610.41172v1 [cs.IR] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.41172 arXiv 颁发的 DOI 通过 DataCite（待注册）

提交历史

来自：Yingfeng Zhang [查看电子邮件]
[v1] 2026 年 10 月 30 日星期五 02:48:37 UTC（32 KB）