Agent 编排的自适应 RAG：结构化与多跳检索的比较研究

检索增强生成（RAG）通过外部知识 grounding 提升大模型能力，但传统静态单步检索限制了复杂查询性能。本文提出一种 Agent 编排的自适应 RAG 框架，引入动态查询分解、迭代检索及有界自反思评估循环。在 DevOps 领域知识库和多跳推理基准 MuSiQue 上的评估显示，查询分解在结构化领域显著提升性能，但在多跳任务中降低排序精度；反思机制虽提高引用准确率却增加延迟。结果表明，Agent 增强需根据查询和领域特征自适应选择，而非统一采用激进推理流程。