推理失败之前：Agentic RAG 中的预证据程序性失败

arXiv AI 发表论文《Before Reasoning Can Fail: Pre-Evidence Procedural Failures in Agentic RAG》，研究 Agentic RAG 系统在证据条件推理前失败的模式：代理检索片段后未检查就给出答案。在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 上分析 12000 条轨迹，发现预证据纪律失败和读后金标失败两类错误大多不重叠（同时触发率 11.2%-13.1%）。提出的 Read-Gate 强制代理在搜索后、定稿前阅读，使 LLM-Acc 在跳过阅读的轨迹上提升 14.9-19.9 点，在完整最小推理单元上提升 3.2-9.4 点。诊断表明，更大隐藏思考预算不一定增加证据检查。结论是应将证据收集作为轨迹级控制问题独立评估。

此前对 Agentic RAG 的失败分析多集中在推理环节，而该研究表明代理可能在未读取证据时就给出答案，这是一种此前未被系统区分的程序性失败。这项发现首次将证据收集作为独立的轨迹级控制问题，并提供了可量化的诊断框架，对评估和改进代理系统具有重要意义。

Agentic RAG 代理在检索后可能直接定稿，跳过阅读证据。论文通过保存工具调用轨迹、检索证据、阅读段落和最终答案，将错误分解为两类。Read-Gate 是运行时最小不变量，强制搜索后阅读，提高证据使用率。增大思考预算并非必然增加证据检查，说明推理能力提升与证据收集行为解耦，需单独控制。

对产品而言，可提升 RAG 问答准确性，尤其是多跳推理场景。工程上需在代理流程中增加强制阅读步骤，可能增加延迟；但能减少因未读证据导致的低质回答，提升用户体验。对预算分配有指导意义：仅增大推理预算不足以改善证据采集，需针对性设计。

• 在 RAG 产品中实现 Read-Gate 强制阅读机制，提高问答准确率和可靠性。
• 开发轨迹级错误诊断工具，区分预证据失败与推理失败，辅助问题定位。
• 利用论文中的分类方法优化代理检索策略，减少跳过阅读的轨迹。
• 在评估框架中增加证据检查指标，作为质量监控和模型选择依据。

• Read-Gate 在真实世界复杂任务中的性能收益是否与基准测试一致？
• 增大推理预算在何种条件下才会影响证据检查行为？
• 论文结论是否适用于其他模型规模和任务类型？
• Read-Gate 引入的额外延迟对用户体验的实际影响如何？