RAG 流水线的调参，是个「牵一发连着上百个选项」的脏活
做 RAG 的人都有体感：分块策略、嵌入模型、重排器、生成参数……每个选项单看都有道理，组合起来却是互相纠缠的多目标优化——准确率、延迟、成本往往不可兼得。ETH Zurich 团队在 arXiv 2610.08452（10 月 6 日提交，已被 REALM@EMNLP 2026 与 NeurIPS 2026 的 ML for Systems 研讨会接收）里提出的 Agentic AutoRAG，就是让智能体来干这个调参的活。
此前的优化器，从贪心搜索到贝叶斯优化，有个共同盲区：每次试验只被压成一个总分，搜归搜，但不建模「这个配置为什么好、为什么差」——哪怕检索回来的 chunk 里明明写着失败是出在检索还是生成。
两个角色：先归因，再沿着 Pareto 前沿走
Agentic AutoRAG 的架构因此很直白：一个 Diagnoser（诊断器）负责把每道答错的问题归因到「检索失败」还是「生成失败」；一个 Proposer（提议器） grounded 在一份模型排名与价格的知识库上，权衡准确率和成本，选出下一个该试的配置。每次试验都跑在一份冻结的考试集上，目标不是刷某个单点分数，而是把准确率-成本的 Pareto 前沿描出来——你有多少预算，就在前沿上挑哪个点。
这个设计的巧妙之处在于把「领域知识」显式喂进了搜索：排名与价格知识库让提议器不用从零试错，而归因信号让搜索方向有了物理意义——如果一批失败全在检索侧，下一轮就该动分块和重排，而不是瞎换生成模型。
结果（论文自报）：在三个多跳 QA 基准上，LLM-judge 准确率高于所有对比基线，而且前 10 次试验就追平或超过统计类基线跑满 30 次的成绩；在真实医疗语料上开成本感知模式，中位考试准确率 77%，高于头部基线的 71.5%，而每查询成本只有它的约 58%；如果只要追平 71.5%，成本压到约 22%。
它不解决什么，以及适合谁
把边界说清楚：AutoRAG 优化的是「给定语料和任务分布下的流水线配置」，换语料、换任务分布，前沿要重新描；考试集是冻结的，意味着它假设评测集能代表真实查询——分布漂移的场景它并不自动适配；judge 评分本身也是 LLM，误差会传导。另外它是一篇研讨会论文，证据强度有别于大规模复现研究。
但对正在被 RAG 调参折磨的团队，这篇给的思路是通用的：别再只看均分，把失败归因做成搜索的指南针；把成本当一等公民画进帕累托前沿，而不是事后汇报。想在自己项目里复刻这套循环，最小改动有三样：一份冻结的考试集（保证每次试验可比）、一条按「检索失败/生成失败」打标的错题日志（让归因可统计）、一张把每次试验的准确率和成本都记下来的台账（让 Pareto 前沿有数据可画）。三样都不贵，但能把「凭感觉调参」变成「按前沿选点」。代码已开源（GitHub：Agentic-Systems-Lab/Agentic-AutoRAG），值得动手跑一遍。这也可以和 1825 那篇 Uber 红线审查智能体的 RAG 三代演进对照着看：一个讲生产里 RAG 怎么长期演化，一个讲上线前怎么系统调优，是同一条河的两段。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。