跳转至

文章背景与核心概要

当前的检索增强型智能体（Retrieval-augmented agents）与大规模知识库交互时，其行为模式非常类似于新手用户——通过不断发出探索性查询、检查文本片段，并进行迭代重构，直到找到相关证据。这种低效的过程会导致过多的检索轮次、高延迟以及较差的召回率。

为了克服这些局限，作者团队推出了超级智能检索代理（Superintelligent Retrieval Agent, 简称 SIRA）。SIRA 模仿专家在利用对术语和证据的强大先验知识导航数据库时的行为，将多轮探索性搜索压缩为单次具有语料库区分度的检索动作。SIRA 在无需相关性标签或微调检索器的情况下，在多个标准基准测试中展现出卓越的性能，标志着 Agentic 检索迈向了新的前沿。

超级智能检索代理：Agentic 检索的下一个前沿 (Superintelligent Retrieval Agent: The Next Frontier of Agentic Retrieval)

arXiv: 2605.06647 [cs.IR]
作者: Zeyu Yang, Xu Han, Qi Ma, Jason Chen, Anshumali Shrivastava
提交时间: 2026年5月7日；最后修订: 2026年8月24日
许可协议: 知识共享署名 4.0 (license icon 查看许可)

执行摘要 (Executive Summary)

当前的检索增强型智能体与大规模知识库交互时，其行为模式非常类似于新手用户——发出探索性查询，检查文本片段，并进行迭代重构，直到相关证据出现。这种低效的过程会导致检索轮次过多、延迟高以及召回率差。

为了克服这一问题，作者引入了超级智能检索代理（SIRA）。SIRA 通过模仿专家如何利用对术语和证据的强大先验知识来导航数据库，将多轮探索性搜索压缩为单次、具备语料库区分度的检索动作。

核心创新与发现：

  • 语料库区分度扩展（Corpus-Discriminative Expansion）： SIRA 不仅选择相关的词汇，还能够识别出能将所需证据与语料库级别的混淆项明确区分开来的词汇。
  • 流水线机制：
  • 离线阶段： 大语言模型（LLM）为每个文档补充缺失的搜索词汇。
  • 查询时阶段： LLM 预测初始查询中省略的证据词汇。
  • 过滤阶段： 利用语料库统计数据作为工具调用，剔除不存在的、过于普遍的或无信息量的词汇。
  • 执行阶段： 最终的加权 BM25 调用将查询与经过验证的扩展词汇结合起来。
  • 卓越的基准性能： SIRA 在十个 BEIR 基准测试中实现了顶级平均性能，无需相关性标签或检索器微调，便超越了稠密检索器、学习型稀疏检索器以及基于 LLM 的搜索智能体基线。
  • 强大的下游问答与新基准： 在 NQ 和 HotpotQA 上，SIRA 仅凭检索的答案覆盖率就超越了近期经过强化学习（RL）训练的智能体问答系统。作者还引入了 BrowseComp-Wikipedia——一个包含 232 个查询的高难度搜索基准，横跨一个包含 2550 万文档的庞大维基百科索引，在此基准上，SIRA 在所有预算限制下均超越了多轮 Perplexity 智能体。

摘要 (Abstract)

检索增强型智能体越来越多地成为访问大型知识库的接口，然而大多数智能体将检索视为黑盒：它们发出探索性查询、检查文本片段并进行重构，直到出现证据。这类似于新手在不熟悉的数据库中搜索，而不是专家带着对术语和可能证据的强烈先验知识在其中导航，从而导致了额外的检索轮次、延迟和较差的召回率。

Retrieval-augmented agents are increasingly the interface to large knowledge bases, yet most treat retrieval as a black box: they issue exploratory queries, inspect snippets, and reformulate until evidence emerges. This resembles how a newcomer searches an unfamiliar database rather than how an expert navigates it with strong priors about terminology and likely evidence, causing extra retrieval rounds, latency, and poor recall.

我们引入了\textit{超级智能检索代理}（SIRA），它将检索中的\emph{超级智能}定义为将多轮探索性搜索压缩为单次具备语料库区分度的检索动作。SIRA 不仅询问哪些词汇是相关的，它还询问哪些词汇能够将所需的证据与语料库级别的混淆项区分开来。在离线阶段，LLM 为每个文档丰富了缺失的搜索词汇；在查询时，它预测查询中省略的证据词汇；语料库统计数据则作为工具调用，过滤掉不存在的、过于普遍的或不太可能产生检索裕度（retrieval margin）的词汇。最后一步是单次加权 BM25 调用，将查询与经过验证的扩展相结合。

We introduce \textit{Superintelligent Retrieval Agent} (SIRA), which casts \emph{superintelligence} in retrieval as compressing multi-round exploratory search into a single corpus-discriminative retrieval action. SIRA does not merely ask which terms are relevant; it asks which terms separate the desired evidence from corpus-level confusers. Offline, an LLM enriches each document with missing search vocabulary; at query time, it predicts evidence vocabulary the query omits; and corpus statistics serve as tool calls that filter terms that are absent, overly common, or unlikely to create retrieval margin. The final step is a single weighted BM25 call combining the query with the validated expansion.

在十个 BEIR 基准测试中，SIRA 在我们的对比中实现了最强的平均检索性能，击败了稠密检索器、学习型稀疏检索器和 LLM 搜索智能体基线，同时没有使用任何相关性标签或检索器微调。在下游问答中，其仅凭检索的答案覆盖率就超过了 NQ 和 HotpotQA 上最近的 RL 训练智能体问答系统。我们还介绍了 \textbf{BrowseComp-Wikipedia}，这是一个硬搜索基准，包含 232 个源自 BrowseComp 的查询，涵盖了 25,587,229 个文档的维基百科索引。甚至在没有索引时丰富（index-time enrichment）、仅使用基础维基百科类别的情况下，SIRA 在每个预算下都优于多轮 Perplexity 智能体，达到了 9.70% Recall@1、15.27% Recall@10 和 36.14% Recall@100。

Across ten BEIR benchmarks, SIRA achieves the strongest average retrieval performance in our comparison, beating dense retrievers, learned sparse retrievers, and LLM search-agent baselines while using no relevance labels or retriever fine-tuning. On downstream QA, its retrieval-only answer coverage exceeds recent RL-trained agentic QA systems on NQ and HotpotQA. We also introduce \textbf{BrowseComp-Wikipedia}, a hard-search benchmark of 232 BrowseComp-derived queries over a 25,587,229-document Wikipedia index. Even without index-time enrichment, using only grounded Wikipedia categories, SIRA outperforms multi-round Perplexity agents at every budget, reaching 9.70% Recall@1, 15.27% Recall@10, and 36.14% Recall@100.