RouteDRAG: Learning to Route and Control Agentic Execution for Multimodal Document RAG

📄 arXiv: 2610.36444v1 📥 PDF

作者: Zekai Chen, Hao Zhu, Yu Liu, Xunkai Li, Zejian Kang, Rui Qian, Quanjiang Li, Rong-Hua Li

分类: cs.AI

发布日期: 2026-10-27

备注: Our code is now available at https://github.com/Ereshkigal1/RouteDRAG

🔗 代码/项目: GITHUB

💡 一句话要点

提出RouteDRAG以优化多模态文档的检索与执行问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态文档 信息检索 代理执行 学习框架 路径优化 智能问答 数据分析

📋 核心要点

  1. 现有的代理执行方法在处理多模态文档时，可能引入不必要的计算和错误答案，影响整体性能。
  2. RouteDRAG通过学习框架控制代理的调用和执行，优化信息检索和答案生成过程。
  3. 在两个基准测试中，RouteDRAG平均提高了3.47%的准确率，同时减少了对代理的调用频率。

📝 摘要（中文）

随着基于网络的应用越来越依赖于理解长篇多模态文档，回答问题往往需要跨页、表格和图形的信息组合。代理检索增强生成（Agentic retrieval-augmented generation）通过迭代检索和推理来解决这些任务。然而，代理执行并非总是必要的，可能引入额外的计算和潜在的错误答案。我们的实证分析表明，代理执行提供了依赖查询的好处，而额外操作可能改善、保持或降低答案的准确性。这些发现促使我们控制代理的调用和后续执行。为了解决这些挑战，我们提出了RouteDRAG，一个基于学习的框架，包含四个组件。RouteDRAG在两个基准测试中实现了平均准确率提高3.47个百分点，同时仅将79.3%的查询分配给代理。

🔬 方法详解

问题定义：本论文旨在解决在多模态文档中进行信息检索和答案生成时，代理执行带来的不必要计算和潜在错误的问题。现有方法在处理复杂查询时，往往依赖于全量代理执行，导致效率低下和准确性下降。

核心思路：RouteDRAG的核心思路是通过学习控制代理的调用和执行，优化检索路径和答案生成过程。通过分析查询的特性，动态调整代理的使用，从而提高整体性能。

技术框架：RouteDRAG框架包含四个主要组件：统一文档索引（Unified Document Index）、自适应路径路由（Adaptive Path Routing）、动态代理执行（Dynamic Agent Execution）和序列策略学习（Sequential Policy Learning）。这些模块协同工作，以实现高效的信息检索和答案生成。

关键创新：RouteDRAG的创新之处在于引入了自适应路径路由和动态代理执行机制，能够根据查询的特点动态调整代理的调用，显著提高了答案的准确性和检索效率。与现有方法相比，RouteDRAG在执行路径选择上更具灵活性和智能化。

关键设计：在设计中，RouteDRAG采用了图结构的文档索引来组织多模态内容，并通过学习算法优化路径选择。此外，动态代理执行模块维护一个不断演变的工作空间，以便更好地控制工具的使用和终止。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，RouteDRAG在两个基准测试中实现了平均3.47%的准确率提升，相较于仅使用短路径执行的方案，表现出显著的优势。同时，RouteDRAG仅将79.3%的查询分配给代理，显示出更高的效率和更少的计算负担。

🎯 应用场景

RouteDRAG的研究成果在多个领域具有广泛的应用潜力，尤其是在需要处理复杂文档的智能问答系统、信息检索和数据分析等场景中。通过优化多模态信息的检索和生成过程，该框架能够提高用户体验和系统效率，推动相关技术的进一步发展。

📄 摘要（原文）

Web-based applications increasingly rely on understanding long multimodal documents, where answering questions often requires combining information across pages, tables, and figures. Agentic retrieval-augmented generation addresses these tasks through iterative retrieval and reasoning. However, Agentic execution is not always necessary, introducing additional computation and potentially incorrect answers. Our empirical analysis reveals that Agentic execution provides query-dependent benefits, while additional operations may improve, preserve, or degrade answer accuracy. These findings motivate controlling both Agent invocation and subsequent execution. To address these challenges, we propose RouteDRAG, a learning-based framework comprising four components. Unified Document Index organizes multimodal content into a graph-backed index and derives query representations from initial retrieval. Adaptive Path Routing preserves exact answering and predicts the relative benefit of Agent over shorter execution paths. Dynamic Agent Execution maintains an evolving workspace and refines Planner proposals to control tool use and termination. Sequential Policy Learning first trains operation control from observed outcomes and then trains path routing using the resulting Agent's performance. Across two benchmarks, RouteDRAG achieves an average accuracy improvement of 3.47 percentage points over shorter-path-only execution while assigning only 79.3% of queries to Agent. Notably, it also surpasses uniform Agent execution on both benchmarks while requiring fewer answering calls. Our code is now available at https://github.com/Ereshkigal1/RouteDRAG.