论文称检索瓶颈已转向上下文管理，知识编译可大幅省 token。
资讯摘要
论文提出，在 agentic RAG 中，检索循环本身已能解决准确率问题，真正的瓶颈是上下文管理。作者主张增加“知识编译”层：用 LLM 为文档补充导航层级、实体图、时间线等结构，并称导航树的叶子为 claim-evidence 对时，证据充分可减少 91% 查询 token，平均降 38%。作者还介绍 RAGFlow 的开源流水线。
要点速读
- 论文报告：仅用 BM25/grep 加 MiniMax M3 的 harness 在 BrowseComp-Plus 达 85%、多跳 FRAMES 达 91%，无需编译或向量索引。
- 作者测量：claim-evidence 导航树在证据充分时减少 91% 查询 token，不充分时增加 1.9%，平均降 38%；决策门将延迟从 140 秒降至 30 秒。
- 论文称结构化工件在 FRAMES 上未带来可检测的准确率提升，PageIndex 式大纲在规模变大时效果下降；本体、图、wiki 等价值体现在治理与集成等部署环节。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。