Agentic RAG

用户提出研究问题后，Lito 需要找到相关文献，读到足够的内容，再形成有来源的回答。主模型负责推进研究，检索流程负责取得和整理证据；结果不足时，模型可以继续查找。

一、Lito 如何处理上传的文献

上传 PDF 后，Lito 保留原件用于阅读核验，同时将正文整理为可检索片段。用户既可以围绕问题查找证据，也可以从引用回到原始文件。

新上传的PDF先提取版面与正文，识别摘要、章节、段落和脚注，再生成可检索片段。正文按论文结构组织，较长段落按句子与Token预算拆分。

每个片段保留论文身份、章节标题、物理页码和原件关联。检索先用小片段定位证据，阅读时沿同一章节补充附近内容，保留结论前后的解释与适用条件。

系统逐页识别表格，按版面选择线条提取、Panel分组坐标或Docling解析。生成的表格片段携带表头、数值和表注，并标记原PDF页码；遇到无法可靠还原的行列关系，保留原页核对方式。

解析结果按文件内容与解析版本缓存。独立解析服务负责计算，文件处理服务在结果就绪后生成向量并更新该文件索引。V1.1的28篇评测论文已按新流程重建索引，新上传文献也使用这一流程。

关键词检索适合查找明确的术语、名称和指标；向量检索帮助找到措辞不同、含义相近的内容。Lito 将两路结果融合，构成混合检索，兼顾精确查找和不同表达。

Lito 使用 BM25 进行关键词检索，使用 BGE-M3 编码文本以支持向量检索。文件与索引保持关联，文献更新或删除后，检索范围也随之更新。

下面的蓝色节点表示模型参与判断的位置。主模型决定研究的下一步，搜索工具内部的模型调用则帮助改写问题、筛选内容和判断是否需要更多背景。

主模型结合用户要求与已有证据决定查什么。例如比较实验条件时，它可以先查各篇论文的条件与结果，再针对差异补查解释。

搜索工具会借助模型，将问题整理为语义查询和关键词查询，覆盖同一问题的不同表达。检索始终受项目范围和访问权限约束。

关键词和向量检索分别找到候选片段，再通过 RRF 合并排名。这个过程既汇总不同检索方式的结果，也汇总不同问法找到的证据，并去除重复片段。

当前有两次融合：一条查询内，将 BM25 和向量检索等权融合，k=60；多条查询之间再按查询权重融合，k=50，并按文档与片段标识去重。RRF 根据名次计算贡献，由程序完成。

术语明确的问题可以通过关键词找到原句；用户换一种说法提问时，向量候选补充相近表达。融合后再围绕当前问题选择阅读材料。

比较题和逐篇整理题先检查论文覆盖。例如，用户明确要求比较P13与P32时，两篇都需要有正文依据。V1.1将不同论文的候选交错排列，再补充各篇相关段落，减少一篇论文的多个相似片段占满阅读空间的情况。

过程记录保存候选、工具返回和主模型输入中的论文范围。最终回答遗漏某篇时，可以沿这三个位置检查它在哪一步消失。相关案例见V1.1的两篇比较复盘。

系统将相邻片段合并，并控制候选内容的总量，再交给模型判断与当前问题的相关性。模型会阅读候选内容，判断哪些片段能为当前问题提供依据。

筛选前会按候选数量和 Token 预算截取内容，每段最多取 3 个代表块供模型判断。模型只能从本次候选中选择，因此需要区分：证据没有被召回，还是已经召回但被截断或未被选中。这样才能确定应改进检索覆盖、候选预算还是筛选方式。

一个命中的片段可能提到了结果，却没有包含实验条件。模型会判断是否需要更多背景，系统据此补取附近内容并合并重叠部分。

当前可以保留原段，或扩展前后各 2 块、各 5 块，再合并重叠范围。这是按需补取附近内容，帮助模型读到实验条件、解释或限制。扩展未取得新内容时，系统保留原片段。

例如，命中的片段只有“溢价下降”，相邻段落可能交代买家保护制度、样本平台和仍然存在的信号价值。扩展时保留这些决定含义的内容，同时合并重复段落。

搜索工具将正文、标题和引用编号交回主模型，并保存来源关联。主模型据此形成比较或综述；仍有问题需要补充时，可以调整查询，继续检索。

Lito 的 Agentic RAG 由主模型根据证据决定下一步，搜索工具负责执行检索并返回结果。用户修改已有回答时，也可以沿用已经取得的证据；需要核验具体引文时，通过 Citation 与原文核验回到 PDF。