TRACE：面向数字档案来源发现的可问责智能体检索

arXiv 论文提出 TRACE，一个面向历史档案的免训练智能体检索框架，用于可问责的史料来源发现。它依托法国第三共和国议会辩论与报刊数字馆藏的 DECIDON 项目开发，原型已在项目内部部署，服务六家合作机构的 24 名研究者。在含 1,752 道法语历史问题的 HistoriQA-ThirdRepublic 基准上，TRACE 取得 R@10 = 0.856、MRR = 0.653，优于稀疏、稠密、图结构和智能体 RAG 基线，多跳与跨语料问题上提升最大；默认托管推理配置下约每问 0.02 美元。

此前 RAG 研究多面向通用或较干净语料，很少专门处理 OCR 退化、体裁混杂且要求来源可追溯的历史档案。TRACE 将检索问责与语料感知智能体设计结合，并在真实机构场景中部署，为缺乏本地 GPU 的馆藏机构提供了可运行、可核算成本的替代路径。

TRACE 不重新训练模型，而是通过智能体式检索流程适配历史语料，强调语料特征识别与来源追溯。这样绕开对昂贵本地 GPU 的依赖，也降低模型训练门槛；默认托管推理把单次查询成本压到约 0.02 美元，使成本可预测，适合馆藏机构的规模化查询与学术审计需求。

对做知识检索、档案数字化和研究工具的产品团队而言，该工作说明免训练智能体检索可以在嘈杂 OCR 语料上同时兼顾效果与可追溯性，并且按查询计费的方式便于预算控制。研发可优先验证智能体检索层与来源引用机制，而非直接投入模型微调。

• 为数字图书馆和档案馆提供按查询计费的托管检索接口，保留来源追溯链路
• 在史学研究工具中嵌入多跳、跨语料检索，支持议会辩论与报刊的交叉检索
• 面向无法自建 GPU 的中小馆藏机构，打包语料适配与成本监控的检索方案
• 复用 TRACE 思路为法律、出版等 OCR 质量参差的垂直语料构建可问责检索

• TRACE 在 HistoriQA-ThirdRepublic 之外的其他语种与档案类型上能否保持同等效果尚不明确
• 每问约 0.02 美元的成本是否随查询复杂度或多跳轮次显著上升，证据未说明
• 24 名研究者的内部部署中实际使用效果与用户反馈未被披露
• 论文仅给出 arXiv 摘要，完整方法与消融细节尚未在证据中体现