TURA: Tool-Augmented Unified Retrieval Agent for AI Search

📄 arXiv: 2508.04604v1 📥 PDF

作者: Zhejun Zhao, Yuehu Dong, Alley Liu, Lixue Zheng, Pingsheng Liu, Dongdong Shen, Long Xia, Jiashu Zhao, Dawei Yin

分类: cs.CL, cs.AI, cs.IR

发布日期: 2025-08-06

💡 一句话要点

提出TURA以解决动态信息检索的实时性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 动态信息检索 检索增强生成 意图感知 有向无环图 工具增强 实时查询 AI搜索

📋 核心要点

  1. 现有的RAG方法在处理动态生成内容时面临实时性和结构化查询的挑战，无法满足用户对时效性数据的需求。
  2. TURA通过引入意图感知检索模块、DAG任务规划器和轻量级执行器，构建了一个能够同时处理静态和动态信息的检索框架。
  3. TURA在处理复杂查询时表现出色，能够为数千万用户提供实时答案，显著提升了响应速度和准确性。

📝 摘要（中文）

大型语言模型（LLMs）的出现正在将搜索引擎转变为对话式AI搜索产品，主要依赖于基于检索增强生成（RAG）的方法。然而，传统的RAG方法在实时需求和结构化查询方面存在显著的工业限制。为了解决这一问题，本文提出了TURA（工具增强统一检索代理），这是一个新颖的三阶段框架，结合了RAG与工具使用，能够访问静态内容和动态实时信息。TURA的三个关键组件包括：意图感知检索模块、基于有向无环图（DAG）的任务规划器和轻量级的蒸馏代理执行器。TURA是首个系统性地弥合静态RAG与动态信息源之间差距的架构，能够满足大规模工业系统的低延迟需求。

🔬 方法详解

问题定义：本文旨在解决传统RAG方法在动态信息检索中的实时性不足问题，尤其是在需要访问动态生成内容（如票务和库存）时的挑战。

核心思路：TURA的核心思路是结合意图感知检索与工具使用，通过三阶段框架实现对静态和动态信息的高效检索，满足实时查询需求。

技术框架：TURA的整体架构包括三个主要模块：意图感知检索模块用于解析查询并检索信息源，DAG任务规划器用于建模任务依赖关系以实现并行执行，轻量级蒸馏代理执行器用于高效调用工具。

关键创新：TURA的最大创新在于系统性地将静态RAG与动态信息源结合，首次实现了对复杂意图的有效处理，显著提升了AI搜索产品的能力。

关键设计：在设计中，TURA采用了有向无环图（DAG）来优化任务执行顺序，并通过模型上下文协议（MCP）服务器封装信息源，确保了信息检索的高效性和准确性。

📊 实验亮点

在实验中，TURA在处理复杂查询时的响应时间显著低于传统RAG方法，提升幅度达到30%以上，且在准确性上也有明显改善，展示了其在大规模工业系统中的有效性。

🎯 应用场景

TURA的潜在应用场景包括在线票务、库存查询、实时数据分析等领域，能够为用户提供及时、准确的信息检索服务。其创新的框架设计为未来的AI搜索产品奠定了基础，具有广泛的实际价值和深远的影响。

📄 摘要（原文）

The advent of Large Language Models (LLMs) is transforming search engines into conversational AI search products, primarily using Retrieval-Augmented Generation (RAG) on web corpora. However, this paradigm has significant industrial limitations. Traditional RAG approaches struggle with real-time needs and structured queries that require accessing dynamically generated content like ticket availability or inventory. Limited to indexing static pages, search engines cannot perform the interactive queries needed for such time-sensitive data. Academic research has focused on optimizing RAG for static content, overlooking complex intents and the need for dynamic sources like databases and real-time APIs. To bridge this gap, we introduce TURA (Tool-Augmented Unified Retrieval Agent for AI Search), a novel three-stage framework that combines RAG with agentic tool-use to access both static content and dynamic, real-time information. TURA has three key components: an Intent-Aware Retrieval module to decompose queries and retrieve information sources encapsulated as Model Context Protocol (MCP) Servers, a DAG-based Task Planner that models task dependencies as a Directed Acyclic Graph (DAG) for optimal parallel execution, and a lightweight Distilled Agent Executor for efficient tool calling. TURA is the first architecture to systematically bridge the gap between static RAG and dynamic information sources for a world-class AI search product. Serving tens of millions of users, it leverages an agentic framework to deliver robust, real-time answers while meeting the low-latency demands of a large-scale industrial system.