Beyond Semantic Similarity: Performance and Costs of Agentic Retrieval for Complex Tasks（超越语义相似度：Agentic 检索在复杂任务上的性能与成本）

📅 2026-10-07 | 🏷️ 前沿论文 | ⭐ HF upvotes 4
🔗 原文：https://huggingface.co/papers/2610.05750

是什么

这篇论文研究 agentic retrieval（智能体式检索）：把 LLM 的推理能力与检索器的高效语料探索结合，放进 ReAct 智能体循环中。实验显示它在复杂检索任务上比标准稠密检索更有效，nDCG@10 有提升，论文同时把成本作为与性能并列的一级评估维度。

🔍 小白解读

先说几个词

• 稠密检索（Dense Retrieval）：把文本变成向量、按语义相似度找资料的技术，是大多数 RAG 系统的地基。类比：图书馆按「书的内容大概像不像」来推荐书。
• 语义相似度的局限：向量检索只认「表面意思相近」，复杂问题往往需要多步推理和多次查询才能找到真正相关的内容，光靠一次相似度匹配不够。
• ReAct：一种智能体工作模式，让模型交替地「思考」和「行动」（比如先想该查什么，再真的去查，看了结果再决定下一步），像侦探一步步查案而不是一眼断案。
• Agentic retrieval（智能体式检索）：让 LLM 带着推理能力去主动探索语料库，需要什么查什么、查完再决定下一步，而不是一次性搜完就交卷。
• nDCG@10：检索质量的常用评分指标，衡量排进前十的结果排得对不对，分数越高越好。

这篇到底在说什么

现在的信息系统（包括很多 agentic 工作流）都用稠密检索去翻海量非结构化数据，但稠密检索依赖表层语义相似度，遇到复杂检索任务就不够用了。这篇论文的做法是：让 LLM 的推理能力和检索器的探索效率联手，把检索过程放进 ReAct 智能体循环——模型边想边查，查完再想，一步一步逼近答案。实验结果是 agentic retrieval 比标准检索更有效，nDCG@10 指标有提升（摘要未给出具体数值）。但这篇论文难得的地方在标题里就写着「Performance and Costs」—