SchemaRouter: Field-Aware Tool Routing for Efficient Heterogeneous Agentic RAG
SchemaRouter 是一个轻量级、具备字段感知能力的异构智能体 RAG 系统路由层，它利用模式图（schema graph）来生成可执行的工具规划，在保持与基准方法相比具有竞争力的回答准确度并提供可验证的溯源性的同时，显著降低了 Token 使用量和延迟。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代数字化景观中，人工智能系统正日益承担起通过触达庞大的外部资源网络来寻找答案的任务。想象一下，一位研究人员要求计算机寻找一种新材料的具体属性、一种化合物的化学成分或科学期刊中的最新发现。为此，计算机充当了一个代理人，连接到不同的数据库、图书馆和工具，每一项都持有拼图的一块碎片。这些工具就像是专门的图书馆，每个图书馆都有自己独特的藏书以及查询信息的规则。计算机面临的挑战不仅在于知道该去哪座图书馆，还在于准确知道该从书架上取哪本书，以及阅读哪一页。如果它索要的信息过多，系统会变得缓慢且昂贵，淹没在不必要的数据中；如果它索要的信息过少，则会错过提供正确答案所需的关键事实。这种在效率与完整性之间的平衡行为，正是研究人员试图解决的核心问题。
一位研究人员开发了一种名为 SchemaRouter 的新方法，用于在复杂的信息源网络中进行导航。SchemaRouter 并非盲目地针对每个问题向所有可能的工具索要所有数据，也不是依赖计算机通过相似词汇进行猜测，而是使用了一张关于可用工具的结构化地图。这张地图（或称模式/schema）不仅详细说明了存在哪些工具，还阐明了它们包含的具体数据字段、使用的计量单位以及访问所需的法律许可。当用户提出问题时，系统首先通过一个微小且集中的步骤来理解核心意图和涉及的具体概念。随后，它会查阅其地图，仅选择回答该特定问题所需的精确工具和确切数据字段。这一过程是确定性的，意味着它遵循基于地图的严格规则，而非进行猜测，从而确保其创建的计划是有效的，并包含了所有必要的细节，例如数据的来源及其所有权。
研究人员使用了一组与材料科学相关的 110 个问题作为基准测试来验证这一方法，材料科学是一个高度依赖来自不同来源的准确数据的领域。他们将这种新方法与几种现有策略进行了对比。一种常见的策略是将整个工具列表及其描述输入到计算机的内存中以应对每一个问题；另一种策略则依赖于使用词汇匹配技术来寻找与问题听起来相似的工具。结果显示，SchemaRouter 在最终答案的准确度方面表现出色，达到了与“索要全部信息”的方法相当的水平，但所使用的信息量仅为后者的极小部分。具体而言，新方法仅检索了 227 个单词的上下文即可达到 0.71 的答案准确度，而索要全部信息的法需要超过 2,000 个单词的上下文才能达到类似的准确度。这种数据量的减少也转化为了显著的速度提升，新系统完成任务的速度大约是加载所有可用信息方法的 2.7 倍。
一项关键发现挑战了该领域的一个普遍假设：即节省资源的最优方式是最小化所选数据字段的数量。研究人员发现，试图过度追求精简、选择绝对最少数量的字段，实际上会损害最终答案的质量。当他们将选择缩减到最低限度时，即使 token（字符/单词）计数几乎没有变化，答案的准确度也会显著下降。成功的关键不在于最小化字段的数量，而在于确保所选字段是正确的，从而能够保留正确回答问题的能力。通过保留一个相关的资料组作为“安全网”，系统在保持高准确度的同时，仍能避免获取无关信息的巨大开销。这表明，目标应当是检索“正确的上下文”，而非仅仅是“最小的上下文”。
除了速度和准确性之外，这种新方法还提供了明显的信任度优势。由于系统能够明确追踪每条检索数据的来源和许可，它可以为答案附上清晰的引用，说明具体是哪个数据库提供了信息以及在何种条款下提供。在测试中，新方法在 62% 的答案中包含了这些具体的来源和许可详情。相比之下，其他未能对这些元数据进行建模的方法，几乎在任何情况下都无法提供这些引用。这是一个重大的进步，因为计算机无法从其通用知识中凭空创造出这些特定的法律字符串；它必须直接从源头检索它们。这种能力使答案具有可验证性，这对于科学和专业应用至关重要，因为了解事实的来源与事实本身同样重要。
研究人员还指出，随着可用工具数量的增加，他们的方法具有更好的扩展性。传统的将所有工具列入计算机内存的方法很快就会变得不切实际；随着工具数量的增加，描述这些工具所需的文本量呈线性增长，最终会超过系统的内存限制。然而，新方法使用了一套固定的指令集，该指令集不会随工具数量的增加而增长。这意味着，即使系统的工具从几十个扩展到数百个，规划搜索所需的成本和时间也将保持近乎恒定。该研究是在一个使用冻结数据的模拟环境中进行的，以确保精确测量；虽然结果令人鼓舞，但作者承认，仍需通过不同类型的问题和更弱的计算机模型进行进一步测试，以全面了解该方法的极限。
最终，这项工作证明了，采用一种结构化的、感知字段的路由信息方法，是让人工智能代理变得更高效、更可靠的一种切实可行的方式。通过将数据字段的选择视为一个精确的、基于规则的过程，而非一场猜测游戏，系统可以更快、更透明地提供准确答案。研究结果表明，在未来，构建此类智能系统最有效的方法，将是专注于检索具有可验证来源的正确上下文，而非仅仅试图收集尽可能多的信息。这种策略的转变使得技术能够在处理复杂的现实任务时，不会被海量可用数据的规模所拖累。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。