GRADRAG：协调多智能体RAG的跨组件提示适应

GRADRAG是一个跨组件提示适应框架，将多智能体RAG流水线建模为计算图，通过评估器对下游答案和证据的批评反馈，由提示优化器迭代更新检索器、图构造器和回答器，并支持早停。在SQUALITY和QMSUM基准上，相比仅更新生成器的一步基线，LLM评判的净偏好余量提升12-15个百分点，多数改进在两次迭代内完成。

传统RAG优化孤立组件，GRADRAG首次实现跨检索、图构建和生成的多智能体协调反馈，以少迭代获得显著性能提升，为多智能体RAG系统提供可复用的整体验证方法。

GRADRAG将流水线视为计算图，评估器对下游输出批评并生成可操作反馈，提示优化器据此更新上游自适应智能体（如检索器、图构造器），实现跨组件协同；评估器还可在输出满意时触发早停，减少冗余迭代。

对于采用多智能体RAG的产品，GRADRAG可减少优化迭代次数，降低微调或人工调参成本；通过反馈联动提升检索与生成一致性，改善问答准确率，尤其在需要多跳推理的场景。

• 在RAG产品中集成GRADRAG的评估-反馈循环，自动调优检索器和生成器提示
• 利用早停机制减少推理时调用次数，降低API成本
• 针对企业知识库问答或法律合同检索场景进行定制化适配

• GRADRAG在跨模态或多语言RAG场景是否同样有效？
• 评估器依赖的LLM评判标准是否引入系统性偏差？
• 早停机制的阈值如何自适应设定？
• 与其他跨组件方法（如端到端强化学习）相比计算代价如何？