AutoRAGTuner：面向RAG管道自动优化的声明性框架
机器学习
2026-05-06 v1 人工智能
计算与语言
分布式、并行与集群计算
软件工程
摘要
检索增强生成（RAG）提升了大语言模型（LLM）的表现，但性能高度依赖于复杂的体系结构设计与超参数配置，目前依赖低效的手动调谐。我们提出AutoRAGTuner，一个声明性、配置驱动的框架，自动化RAG生命周期：构建、执行、评估与优化。AutoRAGTuner采用模块化体系结构，通过组件注册机制解耦管道阶段。为统一异构数据，我们引入领域元素模型（Domain-Element Model, DEM），将对象表示为具有双向指针的原子元素，以支持节点、边及超边。此外，AutoRAGTuner集成自适应贝叶斯优化引擎，用于端到端超参数调谐。实验结果表明，AutoRAGTuner的体系结构普适性：在多样化的RAG管道上，从基础管道到图结构管道，框架均显著优于默认基准。值得注意的是，AutoRAGTuner显著降低了工程开销，其声明性配置语言使架构调整的代码更改率降低最高达95%。总体而言，AutoRAGTuner为构建可演化且可重用的RAG系统提供了系统可优化的基础。
引用
@article{arxiv.2605.02967,
title = {AutoRAGTuner: A Declarative Framework for Automatic Optimization of RAG Pipelines},
author = {Xintan Zeng and Yongchao Liu and Yice Luo and Jiajun Zhen},
journal= {arXiv preprint arXiv:2605.02967},
year = {2026}
}
备注
Accepted by EuroSys 2026 (poster track)