SCOUT-RAG：面向分布式领域的可扩展且成本高效的统一遍历方法用于智能体图-RAG

图-RAG通过结构化知识提升大语言模型的推理能力，但传统设计依赖于集中式知识图谱。在分布式和访问受限的场景（如医院或跨国组织）中，检索必须在没有全局图谱可见性或全面查询的情况下选择相关领域和适当的遍历深度。为解决这一问题，我们提出了SCOUT-RAG（可扩展且成本高效的统一遍历），一种分布式智能体图-RAG框架，该框架通过逐步的跨领域检索来实现增量效用目标引导。SCOUT-RAG采用四个协作智能体：(i) 估计领域相关性，(ii) 决定何时扩展到其他领域进行检索，(iii) 调整遍历深度以避免不必要的图谱探索，以及(iv) 综合生成高质量答案。该框架旨在最小化检索遗憾（即遗漏有用领域信息），同时控制延迟和API成本。在多领域知识设置中，SCOUT-RAG的表现与集中式基线（如DRIFT和全面领域遍历）相当，同时显著减少了跨领域调用、处理的总令牌数和延迟。