🕷️
SetupAI
EN
📄最新收集於 11h

SchemaRouter 將 Agentic RAG 上下文減少 89%

SchemaRouter 將 Agentic RAG 上下文減少 89%
PostLinkedIn
📄閱讀原文： ArXiv AI
#tool-routing#schema-graph#provenanceschemarouterschemarouteragentic-rag

💡了解欄位感知工具路由如何在維持準確率與來源依據下，將 RAG 上下文減少 89%。

⚡ 30-Second TL;DR

有什麼變化

將工具、端點、參數、回應欄位、概念、單位、來源與授權政策表示為 schema graph。

為什麼重要

SchemaRouter 顯示，具備欄位感知能力的路由可在不犧牲答案準確率的情況下，大幅降低 RAG 的 token 成本與延遲。明確的來源與授權依據也可能讓多來源企業代理更容易稽核並安全部署。

下一步行動

為你的 RAG 工具建立 SchemaRouter 式 schema graph，並以 token 使用量、延遲與答案召回率比較欄位級路由和僅使用向量的檢索。

誰應關注：Developers & AI Engineers

關鍵要點

  • •將工具、端點、參數、回應欄位、概念、單位、來源與授權政策表示為 schema graph。
  • •使用小型 LLM 擷取意圖，再透過意圖群組投影與概念－欄位匹配等確定性圖操作選擇欄位。
  • •在 110 個材料科學查詢上達到 0.71 答案準確率、0.93 工具精確率與 1.0 參數有效率。
  • •僅擷取 227 個上下文 token，相較 fetch-everything 的 2,066 個更有效率，且 62% 的答案包含來源或授權依據。

🧠 深度解析

背景與延伸：來自公開資料，非原文內容。引用 6 個來源。

🔑 增強重點摘要

  • •SchemaRouter 透過將工具與資料結構化為 schema graph，解決了傳統向量相似度搜尋在處理異質資料源時的精確度不足問題。
  • •該系統實現了 2.7 倍的端對端延遲降低，主要歸功於減少了不必要的 API 呼叫與冗餘的上下文載入。
  • •在處理企業級 AI 代理時，SchemaRouter 能有效解決過度查詢低價值工具（over-querying）的資源浪費問題。
  • •該架構特別強化了資料溯源與授權合規性，在 62% 的回答中成功納入來源資訊，顯著優於傳統 RAG 方法的近乎 0%。
  • •SchemaRouter 的路由邏輯結合了小型 LLM 的意圖提取與確定性圖操作，確保了參數有效率達到 100%。
📊 競品分析▸ Show
特性SchemaRouter傳統向量檢索 (Vector-based RAG)Prompt-All 策略
路由機制Schema Graph 確定性匹配語意相似度搜尋無（全量注入）
上下文 Token227 (極低)變動 (通常較高)2,066 (極高)
延遲表現最低 (2.7x 優化)中等最高
溯源能力62% 包含授權資訊依賴檢索品質極低
參數有效率1.0取決於 LLM 生成取決於 LLM 生成

🛠️ 技術深入

  • 核心架構：採用兩階段路由，第一階段利用小型 LLM 進行意圖、概念與來源約束的提取，第二階段執行基於圖論的確定性投影操作。
  • 圖結構定義：將工具端點、參數定義、回應欄位、概念映射、單位換算規則及授權政策統一建模為節點與邊。
  • 投影機制：使用意圖群組投影 (Intent-group projection) 將用戶查詢映射至特定的 schema 子圖，過濾無關的 API 端點。
  • 匹配演算法：透過概念－欄位匹配 (Concept-field matching) 確保選定的回應欄位精確對應查詢需求，而非僅依賴語意模糊匹配。

🔮 前景展望AI analysis grounded in cited sources

SchemaRouter 將成為企業級 Agentic RAG 的標準路由架構。
其在降低延遲與提升溯源合規性方面的表現，直接解決了企業導入 AI 代理時最關鍵的成本與合規痛點。
基於圖的路由將取代純向量檢索成為複雜工具調用的主流。
確定性圖操作在參數有效率與工具精確度上的優勢，證明了純機率模型在結構化 API 交互中的局限性。

⏳ 時間線

2026-08
發表研究論文「SchemaRouter: Field-Aware Tool Routing for Efficient Heterogeneous Agentic RAG」於 arXiv。

📎 來源 (6)

Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.

  1. iotalabs.ai
  2. cubadigital.ai
  3. iotalabs.ai
  4. arxiv.org
  5. arxiv.org
  6. arxiv.org
📄閱讀原文： ArXiv AI
📰

AI 週報

閱讀本週精選 AI 大事摘要 →

👉相關動態

同主題

探索 #tool-routing

同產品

更多關於 schemarouter

同來源

最新來自 ArXiv AI

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。