Agentic-R: Apprendimento del Recupero per la Ricerca Agente

Agentic-R: Learning to Retrieve for Agentic Search

January 17, 2026

Autori: Wenhan Liu, Xinyu Ma, Yutao Zhu, Yuchen Li, Daiting Shi, Dawei Yin, Zhicheng Dou

cs.AI

Abstract

La ricerca agentiva è emersa recentemente come un paradigma potente, in cui un agente intercala ragionamenti a più fasi con recupero di informazioni on-demand per risolvere domande complesse. Nonostante il suo successo, la progettazione di un sistema di retrieval per la ricerca agentiva rimane in gran parte inesplorata. Gli agenti di ricerca esistenti si basano tipicamente su retriever basati sulla similarità, mentre passaggi simili non sono sempre utili per la generazione della risposta finale. In questo articolo, proponiamo un nuovo framework di addestramento per retriever specificamente progettato per la ricerca agentiva. A differenza dei retriever progettati per la Generazione Aumentata con Recupero (RAG) a turno singolo, che si basano solo sull'utilità locale del passaggio, proponiamo di utilizzare sia la rilevanza locale query-passaggio che la correttezza globale della risposta per misurare l'utilità del passaggio in una ricerca agentiva multi-turno. Introduciamo inoltre una strategia di addestramento iterativa, in cui l'agente di ricerca e il retriever vengono ottimizzati in modo bidirezionale e iterativo. A differenza dei retriever RAG, che vengono addestrati una sola volta con domande fisse, il nostro retriever viene continuamente migliorato utilizzando query in evoluzione e di qualità superiore provenienti dall'agente. Esperimenti estesi su sette benchmark di QA a salto singolo e multi-hop dimostrano che il nostro retriever, denominato , supera costantemente baseline solide across diversi agenti di ricerca. I nostri codici sono disponibili all'indirizzo: https://github.com/8421BCD/Agentic-R.

English

Agentic search has recently emerged as a powerful paradigm, where an agent interleaves multi-step reasoning with on-demand retrieval to solve complex questions. Despite its success, how to design a retriever for agentic search remains largely underexplored. Existing search agents typically rely on similarity-based retrievers, while similar passages are not always useful for final answer generation. In this paper, we propose a novel retriever training framework tailored for agentic search. Unlike retrievers designed for single-turn retrieval-augmented generation (RAG) that only rely on local passage utility, we propose to use both local query-passage relevance and global answer correctness to measure passage utility in a multi-turn agentic search. We further introduce an iterative training strategy, where the search agent and the retriever are optimized bidirectionally and iteratively. Different from RAG retrievers that are only trained once with fixed questions, our retriever is continuously improved using evolving and higher-quality queries from the agent. Extensive experiments on seven single-hop and multi-hop QA benchmarks demonstrate that our retriever, termed , consistently outperforms strong baselines across different search agents. Our codes are available at: https://github.com/8421BCD/Agentic-R.