LakeQuest：面向数据湖的三域基准，用于检验问答系统的实际检索与合成能力

研究者推出了 LakeQuest，一个包含 9846 个问答对的人工验证基准，覆盖 AI/ML 元数据、零售银行和多模态生物医学药物三个领域，用于评估数据湖上的端到端检索与合成流水线。基线测试显示，即使检索质量很高，标准 RAG 与 agentic 方法仍频繁失败在关系链推理、政策依据对齐和表格联合问答上。

此前基准多基于干净、对齐的语料，避开了数据湖的异构与弱结构化特性。LakeQuest 首次系统性地暴露了真实数据湖中跨模态发现与合成的关键失败模式，为评估和推动下一波 agentic QA 系统提供了更贴近实际的测试平台。

LakeQuest 通过为每个问题提供精确的模态感知证据指针，将源发现与跨模态合成过程分离，从而隔离出系统的具体瓶颈。高检索召回率不等于正确推理，尤其在图谱关系链、银行账本政策依据、多模式表格问答等场景中，当前方法缺乏鲁棒的跨文件组合能力。

开发基于数据湖的问答产品需重视端到端检索与合成链路，不能仅依赖检索质量。现有 RAG 系统在关系链、政策依据和多模态表格问答上容易出错，需在 agentic 设计中增强跨文件发现、推理验证与忠实组合机制，否则影响企业数据湖的可用性。

• 构建支持跨数据湖关系链推理的 agentic QA 系统，优先在 AI/ML 元数据与零售银行场景落地。
• 开发针对生物医学多模态数据的联合表格问答模块，提升药物信息检索的准确性。
• 在现有 RAG 框架中集成来源发现与交叉验证模块，实现检索后推理质量监控。

• LakeQuest 的三个领域是否能代表企业数据湖的典型复杂度的主要类别？
• 基准中发现的失败模式是否在更大规模、更异构的数据湖中持续存在？
• 当前方法在 LakeQuest 上的表现是否有公开的排行榜或可复现代码？
• 跨领域泛化 agentic QA 系统需要哪些额外的训练数据或架构调整？