arXiv · 06.08.2026 ·Память и RAG

Отказ от Top-K: агентный подход к поиску в сложных документах

Исследователи предложили альтернативу стандартному методу RAG, основанному на поиске Top-K ближайших соседей. Для работы с финансовой и регуляторной документацией авторы разработали агентный подход, заменяющий «черный ящик» векторного поиска на интерпретируемые операции. Новый метод позволяет точнее извлекать данные из длинных отчетов, где семантическая близость чанков часто не гарантирует полноту и точность ответа.

Традиционная архитектура RAG, использующая нарезку текста на фрагменты и их последующую векторизацию, часто оказывается неэффективной для структурированных документов. В таких материалах, как аудиторские отчеты или финансовые выписки, ключевая информация распределена по разным разделам и требует логического связывания, а не простого сопоставления векторов. Агентные операции позволяют модели выполнять многошаговый поиск, имитируя работу аналитика, который последовательно изучает оглавление, таблицы и специфические разделы.

Внедрение агентного поиска вместо классического Top-K повышает прозрачность системы, позволяя отслеживать цепочку рассуждений при извлечении данных. Это критически важно для областей, где цена ошибки высока, а интерпретируемость результатов является обязательным требованием регуляторов. Метод демонстрирует значительное преимущество в задачах, требующих синтеза информации из разрозненных частей документа, которые стандартные алгоритмы поиска часто игнорируют.

Ключевые факты

Стандартный метод Top-K признан структурно несостоятельным для сложных документов: финансовых отчетов, аудиторских заключений и регуляторных сводок.
Предложенный подход заменяет векторный поиск на интерпретируемые агентные операции, обеспечивающие логическую связность извлечения.
Исследование проводилось на примере правительственного финансового отчета объемом 780 страниц.
Агентный метод позволяет модели выполнять многошаговые запросы, имитируя аналитический процесс поиска информации в структурированных данных.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

Hacker News · Память и RAG Альтернатива GraphRAG: упрощенный подход к структурированию знаний Автор анализирует причины низкой эффективности сложных систем GraphRAG при построении корпоративных баз знаний. Вместо создания громоздких графов знаний, предлагается архитектура на основе иерархических метаданных и семантического поиска. Такой подход позволяет достичь высокой точности ответов ИИ-агентов, избегая избыточной сложности, вычислительных затрат и проблем с масштабируемостью, характерных для классических графовых методов. arXiv · Память и RAG FinSAgent: новый RAG-фреймворк для анализа финансовой отчетности SEC Исследователи представили FinSAgent — специализированный мультиагентный фреймворк для работы с финансовой документацией SEC. Система решает проблему избыточности и сложности поиска в длинных отчетах, используя подход, ориентированный на выравнивание корпуса данных. В отличие от стандартных RAG-решений, FinSAgent повышает точность ответов на сложные финансовые вопросы за счет многоагентной верификации и синтеза доказательств из разрозненных источников. Hacker News · Память и RAG Проблема «долга поиска» в агентных системах Разработчики агентных систем столкнулись с концепцией «долга поиска» (retrieval debt), которая становится серьезным препятствием при масштабировании RAG-решений. По аналогии с техническим долгом в программировании, этот феномен возникает, когда качество извлечения контекста из базы знаний постепенно деградирует из-за накопления неструктурированных данных, устаревших документов или неоптимальных стратегий индексации. В результате агент начинает получать нерелевантную информацию, что ведет к галлюцинациям и снижению точности ответов, несмотря на использование современных LLM. arXiv · Память и RAG Статические метрики RAG не отражают эффективность в агентных системах Исследователи выявили фундаментальный разрыв между оценкой RAG-систем и их реальной пользой для ИИ-агентов. Традиционные методы оценивают документы статически, проверяя их прямое влияние на ответ. Однако в многошаговых агентных сценариях документ может быть полезен не для ответа, а как «мостик» для формирования последующих поисковых запросов, что игнорируется текущими бенчмарками. arXiv · Память и RAG GeoRAG: новый подход к оптимизации контекста в RAG-системах Исследователи представили GeoRAG — метод оптимизации выбора контекста для RAG-систем, решающий проблему неполного охвата информации при сложных запросах. Вместо стандартного ранжирования чанков по близости к одному эмбеддингу, система переосмысливает поиск как задачу покрытия информационных потребностей. Это позволяет эффективно обрабатывать многоходовые и неоднозначные вопросы, избегая избыточности и потери важных деталей. arXiv · Оркестрация агентов Оптимизация выбора инструментов в ИИ-агентах с учетом стоимости Исследователи представили метод Cost-Aware Stopping, решающий проблему избыточного использования внешних инструментов в ИИ-агентах. Вместо простого ранжирования сервисов по релевантности, новый подход определяет оптимальную точку остановки поиска, балансируя между качеством выполнения задачи и затратами на API, нагрузкой на контекстное окно и рисками конфиденциальности при обращении к внешним базам данных и поисковикам. Hacker News · Инфраструктура для агентов Построение ИИ-агентов на основе графов контекста Разработчики представили подход к созданию ИИ-агентов, использующих графы контекста вместо традиционных векторных баз данных. Метод позволяет агентам лучше понимать сложные взаимосвязи между сущностями и событиями, что критически важно для выполнения многошаговых задач. Использование графовых структур обеспечивает более точный контекстный поиск и повышает логическую связность действий агента при работе с большими массивами неструктурированных данных. Hacker News · Память и RAG Оптимизация RAG: как отсеивать 68% лишнего контекста с помощью компактной LLM Команда Kapa.ai разработала метод фильтрации контекста для RAG-систем, позволяющий отсеивать до 68% нерелевантных данных перед подачей в основную модель. Использование компактной LLM для предварительной оценки фрагментов позволяет снизить затраты на токены и повысить точность ответов, исключая «шум» из поисковой выдачи векторных баз данных без потери качества генерации. Hacker News · Инфраструктура для агентов Использование онтологий и графов для навигации ИИ-агентов Для повышения точности работы ИИ-агентов предлагается использовать онтологии и графовые структуры данных вместо стандартного RAG. Такой подход позволяет агентам выполнять структурированный поиск и обход графа, что значительно снижает вероятность галлюцинаций при работе со сложными доменными знаниями и позволяет модели лучше понимать взаимосвязи между объектами в базе данных. arXiv · Оркестрация агентов Оптимизация распределения вычислительных мощностей в иерархических поисковых агентах Исследователи проанализировали эффективность иерархических архитектур, где основной агент делегирует подзадачи специализированным моделям. Выяснилось, что использование моделей одинакового размера для всех ролей избыточно. Авторы предложили стратегию распределения вычислительных мощностей, при которой сложные задачи планирования требуют более крупных моделей, тогда как выполнение конкретных поисковых запросов и синтез ответов могут быть делегированы менее ресурсоемким системам без потери качества.

← Все материалы