论文提出 IRAH，用分层智能体树搜索优化 RAG 检索流程。
资讯摘要
论文提出 IRAH（Information Retrieval Agentic Harness），将面向信息检索的 Language Agent Tree Search（LATS-IR）与离线元学习初始化结合，用于在有限评估预算下联合选择 RAG 检索流程的结构组件与数值超参数。LATS-IR 采用 UCT 引导的分层搜索，先探索宏观结构，再细化数值参数，并用自然语言反思指导后续变异。作者在三个同分布基准和一个分布外基准上评估，报告 LATS-IR 在其中两个同分布基准上优于 TPE，最高提升 6.4%，分布外基准上保持竞争力；四个基准上热启动 IRAH 的平均留出 nDCG@10 最高，为 0.4816。
要点速读
- 论文提出 IRAH，结合 LATS-IR 与离线元学习初始化，用于 RAG 检索流程的结构与超参数联合优化。
- LATS-IR 使用 UCT 引导的分层搜索，先选宏观结构再调数值参数，并以自然语言反思指导变异。
- 作者报告在三个同分布基准中的两个上优于 TPE，最高提升 6.4%，分布外基准保持竞争力。
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 2026/10/24 08:00:37（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。