面向异构数据源企业零售工作流的 agentic RAG 探索

论文针对企业零售工作流提出 RetailBridge，一个由 persona 驱动模拟生成的组合式零售基准，要求智能体在结构化产品与订单记录、非结构化咨询与评论等异构来源之间链接实体和中间答案。作者同时提出 RetailRAG 框架，包含自动 schema 简介、按来源路由的计划链和诊断式计划修订。实验显示 RetailRAG 在所有评估维度上持续优于现有 agentic RAG 基线；在 RetailBridge 上评估十个 LLM 骨干后，多源证据链被识别为跨提供方和模型规模的主要瓶颈。

现有 agentic RAG 基准较少覆盖企业零售中跨结构化与 unstructured 来源的证据链，本文用组合式基准把这一场景变成可控制、可比较的评测对象，并给出一个参考系统。其结论指向：仅扩大模型规模不足以解决多源串联，跨源编排需要被显式设计。

RetailBridge 通过链接不同来源中的实体与中间答案构造问题，迫使智能体先识别相关来源、再在来源间传递证据、最后生成有依据的答案。RetailRAG 则以自动 schema 简介降低理解异构数据结构的成本，以来源路由的计划链安排跨源步骤，并用诊断式计划修订在链路失败时调整路径。

对做企业零售助手或客服/运营 agent 的团队，这意味着产品设计应把跨源检索与证据传递做成显式编排层，而不是依赖单一模型能力；评测时应按多源串联能力分轴考察，研发重点可放在来源路由、计划链和失败后的计划修订。

• 构建面向零售场景的多源检索编排中间层，显式管理来源识别、证据传递和答案归因。
• 在内部 agent 评测中加入类似 RetailBridge 的组合式问题集，单独度量跨源串联成功率。
• 为零售知识/订单/评论等异构数据源提供自动 schema 简介模块，降低 agent 接入成本。
• 将诊断式计划修订做成可观测的运行时组件，用于定位跨源检索链中的断点。

• RetailBridge 的 persona 驱动模拟数据与真实企业零售数据的分布差异有多大，结论能否外推？
• RetailRAG 在非零售领域的异构数据工作流中是否同样优于基线？
• 多源串联瓶颈的具体成因是检索召回、来源路由还是计划修订，证据未进一步拆分。
• 论文给出的公开代码与数据能否复现全部评估轴上的结果，尚待验证。