論文の概要: Toward Agentic Retrieval-Augmented Generation for Enterprise Retail Workflows over Heterogeneous Data Sources

• arxiv url: http://arxiv.org/abs/2610.25096v1
• Date: Sun, 18 Oct 2026 08:15:12 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:21.225413
• Title: Toward Agentic Retrieval-Augmented Generation for Enterprise Retail Workflows over Heterogeneous Data Sources
• Title（参考訳）: 不均一なデータソース上での企業リテールワークフローのためのエージェント検索強化生成に向けて
• Abstract要約: 企業小売業は異質な情報源に証拠を連鎖させるエージェントを必要としている。 既存のエージェントRAGベンチマークがこの課題を克服することは滅多にない。 RetailBridgeはペルソナ駆動のシミュレーションで構築された小売ベンチマークである。
• 参考スコア（独自算出の注目度）: 22.74461462257859
• License:
• Abstract: Enterprise retail workflows require agents to chain evidence across heterogeneous sources, from structured product and order records to unstructured inquiries and reviews, yet existing agentic RAG benchmarks rarely capture this challenge. To enable controlled evaluation of such workflows, we introduce RetailBridge, a compositional retail benchmark built from persona-driven simulations. Its questions are constructed by linking entities and intermediate answers across heterogeneous sources, requiring agents to identify the relevant sources, carry evidence between them, and produce a grounded answer. To systematically evaluate LLMs on these retail workflows, we develop RetailRAG, a retail-aware framework equipped with auto-schema briefing, source-routed plan chaining, and diagnostic plan revision. RetailRAG consistently outperforms existing agentic RAG baselines across all evaluation axes, serving as a strong reference system for assessing LLM agents on retail workflows. On RetailBridge, evaluating ten LLM backbones with RetailRAG reveals multi-source chaining as the dominant bottleneck across providers and model scales, suggesting that reliable retail agents require explicit cross-source orchestration rather than scaling alone. Code and data are publicly available at \url{https://github.com/DISL-Lab/RetailBridge}.
• Abstract（参考訳）: 企業小売ワークフローでは、構造化された製品や注文記録から構造化されていない問い合わせやレビューまで、エージェントが異質なソースをまたいで証拠をチェーンする必要があるが、既存のエージェントRAGベンチマークでは、この課題に対処することはめったにない。 このようなワークフローの制御的評価を可能にするために,ペルソナ駆動のシミュレーションから構築した合成小売ベンチマークであるRetailBridgeを導入する。 その質問は、エンティティと中間回答を異種ソースにリンクすることで構築され、エージェントは関連するソースを特定し、それらの間に証拠を持ち込み、根拠付き回答を生成する必要がある。 これらの小売ワークフロー上でLCMを体系的に評価するために、自動スキーマブリーフィング、ソース削除プランチェーン、診断計画修正を備えた小売対応フレームワークであるRetailRAGを開発した。 RetailRAGは、すべての評価軸で既存のエージェントRAGベースラインを一貫して上回り、小売ワークフロー上でLLMエージェントを評価するための強力なリファレンスシステムとして機能する。 RetailBridgeでは、RetailRAGで10のLLMバックボーンを評価し、複数のソースチェーンをプロバイダとモデルスケールのボトルネックとして明らかにしており、信頼性の高い小売業者は、単独でスケーリングするのではなく、明示的なクロスソースオーケストレーションを必要とすることを示唆している。 コードとデータは \url{https://github.com/DISL-Lab/RetailBridge} で公開されている。

関連論文リスト

• Generate, Filter, Control, Replay: A Comprehensive Survey of Rollout Strategies for LLM Reinforcement Learning [79.88942231770629]
  強化学習(RL)は、大規模言語モデル(LLM)の推論能力を向上させるための訓練後の中心的なツールとなっている。 統一表記によるロールアウトパイプラインの形式化とGenerate-Filter-Control-Replay(GFCR)の導入 検証可能な報酬、プロセスの監督、判断に基づくゲーティング、ガイドとツリー/セグメントのロールアウト、アダプティブな計算割り当て、早期終了と部分的なロールアウト、スループット最適化、自己改善のための再生/再配置でRLにまたがる手法を合成する。
  論文  参考訳（メタデータ） (2026-04-08T00:53:29Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• MSRS: Evaluating Multi-Source Retrieval-Augmented Generation [51.717139132190574]
  多くの現実世界のアプリケーションは、複数のソースにまたがる情報を統合して要約する能力を必要としている。 本稿では、RAGシステムに対して異なるソース間で情報を統合するための評価ベンチマークを構築するためのスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T14:59:55Z)
• DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
  DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。 我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
  論文  参考訳（メタデータ） (2025-07-29T17:55:23Z)
• Agent-UniRAG: A Trainable Open-Source LLM Agent Framework for Unified Retrieval-Augmented Generation Systems [4.683612295430957]
  本稿では,最近の大規模言語モデル (LLM) エージェントの概念を用いたRAGシステムに対する新しいアプローチを提案する。 本稿では,統合検索拡張LLMシステムのためのエージェントUniRAGと呼ばれるトレーニング可能なエージェントフレームワークを提案する。 主なアイデアは、入力の複雑さに基づいてRAGタスクを段階的に解決するLLMエージェントフレームワークを設計することである。
  論文  参考訳（メタデータ） (2025-05-28T16:46:31Z)
• MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning [36.3918410061572]
  MA-RAGは、複雑な情報探索タスクにおける固有の曖昧さと推論の問題に対処する。 エンドツーエンドの微調整や分離されたコンポーネント拡張に依存する従来のRAGメソッドとは異なり、MA-RAGは特別なAIエージェントの協調的なセットを編成する。 本結果は,検索強化システムにおける協調的,モジュール型推論の有効性を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-05-26T15:05:18Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。