导航信息嵌入：基于智能体搜索轨迹的稠密检索器适配

arXiv AI 发布论文，研究如何利用智能体检索流程产生的查询、检索和停止轨迹来适配已部署的稠密检索器，无需新的相关性标注或合成查询。作者提出 Navigation-Informed Embeddings (NIE) 方法，将停止文档设为软正例，路径文档作为硬对比。在独立目标基准上，支持 Recall@20 从 72.2 提升至 78.0，长路径性能从 46.7 提升至 55.4，并在 BEIR HotpotQA 上 nDCG@10 提升 1.9 点。

以往检索器适配通常依赖人工标注或合成查询，成本高且延迟。本研究证明可从智能体已有运行痕迹中学习，实现零额外标注的持续优化，为检索系统在业务变化中低成本自我进化提供了新路径，尤其适合对成本敏感的应用场景。

智能体在检索过程中，停止文档很大程度上与最终答案相关，因此可视为软正例；路径中的前序文档构成对比样本，通过几何衰减的序数约束强化文档相关性顺序，使检索器能适应工作流分布的变化，无需外部标注。

直接降低检索系统适配的标注和人工成本，提升检索准确性，进而增强对话、问答等产品的用户体验。对已有日志的智能体产品，可轻量集成此方法，减少重新训练的资源消耗，缩短优化周期。

• 在智能体问答产品中，利用现有检索日志自动适配检索器，提升回答相关性和长路径复杂问题处理能力。
• 开发检索优化工具，为使用稠密检索器的企业客户提供基于轨迹的持续优化服务，降低标注成本。
• 在RAG应用中集成NIE，无需人工标注即可适应新文档分布或用户问法变化，提升推荐或查询的精确度。

• NIE 是否适用于非英文或特定领域的语料，效果是否稳定？证据未提及。
• 轨迹数据量大小对效果的影响如何？证据中未提供。
• NIE 与传统微调或基于 LLM 的适配方法相比，在成本和效果上的具体优势边界是什么？