自适应查询路由：金融、法律与医疗文档混合检索的分层框架

Afshan Hashmi

自适应查询路由：金融、法律与医疗文档混合检索的分层框架

信息检索 2026-04-17 v1 人工智能

作者: Afshan Hashmi

摘要

检索增强生成(RAG)已成为为大型语言模型输出 grounding 在外部知识方面的标准范式。Lumer 等人[1]对比了基于向量的智能RAG与基于层次节点推理系统在金融文件问答中的表现，发现基于向量的系统取得了68%的胜率。同时，PageIndex框架[2]通过纯粹基于推理的检索实现了在FinanceBench上的98.7%准确率。本文在他们工作基础上进一步拓展：(i) 在金融、法律和医疗领域实现和评估了三种检索架构：向量RAG、树形推理和提出的自适应混合检索(AHR)；(ii) 引入四层查询复杂度基准；(iii) 使用GPT-4驱动的LLM评判器进行评估。实验结果表明，树形推理获得最高的总体得分(0.900)，但没有单一方法在所有层级均占据优势：向量RAG在多文档综合(Tier 4，得分0.900)中获胜，而混合AHR在跨引用(0.850)和多章节查询(0.929)中取得最佳性能。树形和混合方法的跨引用召回率达到100%，而向量检索为91.7%，量化了关键能力缺口。在FinanceBench(150个专家标注的真实SEC 10-K和10-Q文件问题)上的验证确认并加强了这些发现：树形推理得分0.938，混合AHR得分0.901，向量RAG得分0.821，树-向量质量差距在真实文档上扩大到11.7个百分点。这些发现支持开发基于查询复杂度和文档结构动态选择策略的自适应检索系统。所有代码和数据均公开可用。

关键词

RAG 混合检索查询路由树形推理 FinanceBench

引用

@article{arxiv.2604.14222,
  title  = {Adaptive Query Routing: A Tier-Based Framework for Hybrid Retrieval Across Financial, Legal, and Medical Documents},
  author = {Afshan Hashmi},
  journal= {arXiv preprint arXiv:2604.14222},
  year   = {2026}
}

自适应查询路由：金融、法律与医疗文档混合检索的分层框架

摘要

关键词

引用

相关论文