拆解智能體RAG：基於本地7B模型的多跳問答元件消融研究

本文針對資源受限環境下智能體檢索增強生成（Agentic RAG）系統的複雜性提出質疑，透過嚴格的消融實驗揭示了各元件的真實貢獻。研究基於Qwen2.5-7B-Instruct本地模型，在HotpotQA干擾開發集上進行了全面評估。實驗表明，完整智能體管線在精確匹配（EM）和F1分數上均顯著優於單遍檢索基線。關鍵發現包括：固定混合檢索透過倒數秩融合策略優於基於規則的自適應路由，後者易因命名實體誤觸發；兩遍檢索迭代即可捕捉五遍迭代95%的收益，深層循環並無實質幫助；查詢分解與交叉編碼器重排序雖具統計顯著性，但增益相對較小。研究證明，在固定本地模型預算下，簡化且固定的設計往往比複雜的自適應版本更具競爭力，核心收益源於適度的檢索循環而非過度複雜的控制邏輯。