IRAH：面向检索管线优化的分层智能体树搜索
原标题：IRAH: Hierarchical Agentic Tree Search for Retrieval Pipeline Optimization
AI 摘要
论文提出 IRAH（Information Retrieval Agentic Harness），将 LATS-IR 分层智能体树搜索与离线元学习初始化相结合，用于在有限评估预算下联合优化 RAG 检索管线的结构组件与数值超参数。LATS-IR 先用 UCT 引导进行宏观结构探索，再局部精调数值参数，并以自然语言反思指导后续变异、提供可检查的搜索轨迹。在三个分布内基准和一个分布外基准上，相同元学习初始化下 LATS-IR 在三个分布内基准中的两个上优于 TPE，热启动 IRAH 在全部四个基准上取得最高平均留出表现并优于冷启动版本。
正文节选
IRAH: Hierarchical Agentic Tree Search for Retrieval Pipeline Optimization Abstract Optimizing Information Retrieval (IR) pipelines for Retrieval-Augmented Generation (RAG) requires jointly selecting structural components and numerical hyperparameters under limited evaluation budgets. We introduce the Information Retrieval Agentic Harness (IRAH), which combines Language Agent Tree Search for IR (LATS-IR) with offline meta-learned initialization. LATS-IR performs UCT-guided hierarchical search, f