An Agent-Oriented Pluggable Experience-RAG Skill for Experience-Driven Retrieval Strategy Orchestration
论文信息¶
- arXiv: 2605.03989
- 作者: Dutao Zhang, Tian Liao
- 提交日期: 2026-05-05
- 方向: 记忆检索 / RAG 编排 / 经验驱动
- 类别: cs.AI
摘要¶
检索增强生成（RAG）系统通常假设一个固定的检索管道足以应对异构任务，但事实型问答、多跳推理和科学验证等不同任务实际上展现出截然不同的检索偏好。
本文提出 Experience-RAG Skill，一个面向 Agent 的可插拔检索编排层，位于 Agent 与检索器池之间。该 Skill 分析当前场景、查阅经验记忆、选择合适的检索策略，并向 Agent 返回结构化证据。在固定候选池上，Experience-RAG Skill 在 BeIR/nq、BeIR/hotpotqa 和 BeIR/scifact 上实现整体 nDCG@10 为 0.8924，超越固定单检索器基线，并与 Adaptive-RAG 风格路由保持竞争力。
核心贡献¶
- 经验记忆驱动的检索编排：
- 维护历史检索经验：哪些查询类型用哪些检索策略效果最好
-
根据当前场景动态选择检索策略，而非使用固定管道
-
面向 Agent 的可插拔 Skill 架构：
- 作为独立 Skill 存在，可插入任意 Agent 系统
-
标准化接口：场景分析 → 经验查询 → 策略选择 → 证据返回
-
多策略检索池支持：
- 不是一个检索器，而是检索器池（稀疏检索、密集检索、混合检索等）
-
经验记忆指导何时用哪种检索策略
-
跨任务泛化能力：
- 事实型问答：稀疏检索优先
- 多跳推理：需要组合多个检索结果
-
科学验证：需要高精确率召回
-
对 Agent 记忆系统的启示：
- 元认知记忆：Agent 不仅要记忆任务内容，还要记忆"用什么方法完成任务最好"
- 经验记忆的主动利用：历史经验被主动查询，而非被动存储
- 动态策略选择：基于经验而非固定规则做决策
为什么重要¶
传统 RAG 系统使用固定的检索策略（通常是同一种嵌入+同一种重排序），忽视了不同任务需要不同检索方法这一事实。Experience-RAG Skill 填补了这一空白：
- 元认知 (Metacognition)：这是 Agent 记忆系统缺失的一环——记忆"如何利用记忆"比记忆"什么"更高级
- 动态适配：根据任务上下文选择最合适的检索方式，而非一刀切
- 经验积累：系统能从使用历史中学习，不断优化检索策略
与端侧/移动端的相关性¶
- 端侧个性化：经验记忆可以在本地积累，学习用户特有的检索偏好
- 隐私保护：经验记忆是抽象策略而非原始数据，不涉及隐私泄露
- 计算效率：选择最优检索策略而非穷举尝试，减少端侧计算资源消耗
- 快速适配：新任务来了可以通过经验快速确定检索策略，无需在线探索
- Skill 化部署：可作为独立 Skill 更新，不影响主 Agent 核心功能