SCOUT-RAG：面向分布式领域的可扩展且成本高效的统一遍历方法

Graph-RAG通过结构化知识提升LLM的推理能力，但传统设计依赖于集中式知识图谱。在分布式和访问受限的场景（如医院或跨国组织）中，检索需在无全局图可见性和全面查询的情况下选择相关领域并确定适当的遍历深度。为解决这一问题，本文提出SCOUT-RAG（可扩展且成本高效的统一遍历框架），一种分布式智能体Graph-RAG框架，通过渐进式跨领域检索实现基于增量效用目标的指导。SCOUT-RAG采用四个协作智能体：(i) 估计领域相关性，(ii) 决定何时扩展到其他领域，(iii) 调整遍历深度以避免不必要的图探索，(iv) 综合生成高质量答案。该框架旨在最小化检索遗憾（即遗漏有用领域信息），同时控制延迟和API成本。在多领域知识设置中，SCOUT-RAG的表现与集中式基线（如DRIFT和全面领域遍历）相当，同时显著减少了跨领域调用、处理的总token数和延迟。