論文の概要: When Agentic Retrieval Fails Silently: Framework and Production Evidence from a Creative AI Assistant

• arxiv url: http://arxiv.org/abs/2610.30423v1
• Date: Wed, 21 Oct 2026 20:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.130412
• Title: When Agentic Retrieval Fails Silently: Framework and Production Evidence from a Creative AI Assistant
• Title（参考訳）: エージェント検索が無意味に失敗したとき:創造的なAIアシスタントによるフレームワークと生産証拠
• Abstract要約: 階層化エージェント検索評価(Layered Agentic Retrieval Assessment, LARA)は、検索品質、エンゲージメント、結果を測定する。 1つの検索インフラがギャラリー検索サーフェスとエージェントアシスタントを、同じユーザ人口のセッションボリュームの約8分の1で提供するAdobe Expressのモチベーションについて検討する。
• 参考スコア（独自算出の注目度）: 2.0636093945771328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CTR, MRR, and behavioral NDCG assume the user sees ranked results and acts on them. In an agentic assistant, a generation layer consumes retrieval output first, and that assumption breaks in three ways. The agent reads the results before the user does (who). The user's action can come several turns or sessions after retrieval (when). Outcomes blend retrieved content with the model's own knowledge (what caused it). We call this the attribution gap. We propose Layered Agentic Retrieval Assessment (LARA), which measures retrieval quality, engagement and outcome, and product success as three independent layers joined by a four-field lineage schema that requires no new modeling. We examine the motivation on Adobe Express, where one retrieval infrastructure serves a gallery search surface and an agentic assistant at roughly one-eighth its session volume for the same user population. Chat users reformulate more than gallery users (44.4% vs. 33.1%) because chat reformulation refines generated output. LARA restores attribution for the retrieval.
• Abstract（参考訳）: CTR、MRR、行動NDCGは、ユーザがランク付けされた結果を見て行動すると仮定する。 エージェントアシスタントでは、生成層が最初に出力を消費し、その仮定は3つの方法で破られる。 エージェントは、ユーザが(誰が)する前に結果を読みます。 ユーザのアクションは、検索後に何回かのターンやセッションを行うことができる(もしあれば)。 アウトカムは、取得したコンテンツとモデル自身の知識(それが原因)をブレンドする。 これを属性ギャップと呼ぶ。 提案する階層化エージェント検索評価(Layered Agentic Retrieval Assessment, LARA)は, 検索品質, エンゲージメント, 結果, 製品成功を, 新たなモデリングを必要としない4分野の系統スキーマで結合した3つの独立したレイヤとして測定する。 1つの検索インフラがギャラリー検索サーフェスとエージェントアシスタントを、同じユーザ人口のセッションボリュームの約8分の1で提供するAdobe Expressのモチベーションについて検討する。 チャットユーザーがギャラリーユーザー(44.4%対33.1%)以上をリフォームする。 LARAは検索の属性を復元する。

関連論文リスト

• Programmatic Search Agents: Extending Agentic Search Beyond Query Reformulation [15.421250076594484]
  Programmatic Search Agent (PSA) は、候補に対する局所的な実行可能計算を検索アクションの単位とする。 PSAは、永続的な候補ワークスペース、柔軟な原始構成、選択的エビデンス提示を統一する。 クエリベースのエージェントとは対照的に、PSAはマクロ平均タスクの成功を4.00と7.56ポイント改善する。
  論文  参考訳（メタデータ） (2026-10-05T16:52:57Z)
• Prism-Reranker: Beyond Relevance Scoring -- Jointly Producing Contributions and Evidence for Agentic Retrieval [0.0]
  Qwen3.5上に4つのサイズ(0.8B, 2B, 4B, 9B)で構築されたリランカーモデルのファミリーであるPrism-Rerankerを紹介する。 標準のye/no関連判断に加えて、評決がYesであるたびに、モデルはドキュメントがクエリをどのように助けるかを要約したコントリビューションステートメントを発行する。 同じレシピが既存のLCMベースのリランカーを拡張し、Qwen3-Reranker-4Bのコントリビューションとエビデンス機能を強化している。
  論文  参考訳（メタデータ） (2026-04-26T14:28:48Z)
• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• Beyond the Click: A Framework for Inferring Cognitive Traces in Search [2.50369129460887]
  本稿では,行動ログから認知的痕跡を推定する枠組みを提案する。 これらのトレースは、セッション結果の予測やユーザ障害回復といったタスクにおけるモデルパフォーマンスを改善する。 この作業は、より人間的なユーザーシミュレータを構築するのに必要なツールとデータを提供する。
  論文  参考訳（メタデータ） (2026-02-27T18:32:59Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• IRLab@iKAT24: Learned Sparse Retrieval with Multi-aspect LLM Query Generation for Conversational Search [6.974395116689502]
  iKAT 2024は、対話アシスタントの進化に焦点を当て、対話と応答をパーソナライズされたユーザー知識から適応することができる。 このトラックには、Personal Textual Knowledge Base(PTKB)と会話型AIタスク(通訳ランキングや応答生成など)が組み込まれている。
  論文  参考訳（メタデータ） (2024-11-22T05:18:35Z)
• ExcluIR: Exclusionary Neural Information Retrieval [74.08276741093317]
  本稿では,排他的検索のためのリソースセットであるExcluIRを提案する。 評価ベンチマークには3,452の高品質な排他的クエリが含まれている。 トレーニングセットには70,293の排他的クエリが含まれており、それぞれに正のドキュメントと負のドキュメントがペアリングされている。
  論文  参考訳（メタデータ） (2024-04-26T09:43:40Z)
• Graph Meets LLM: A Novel Approach to Collaborative Filtering for Robust Conversational Understanding [20.934922599119865]
  欠陥クエリは、自動音声認識(ASR)と自然言語理解(NLU)におけるユーザの曖昧さ、誤り、エラーから生じる可能性がある。 パーソナライズドクエリ書き換え(Personalized query rewriting)は、ユーザの個々の振る舞いや好みを考慮してクエリの欠陥を軽減するアプローチである。 本稿では,これまでユーザの歴史になかった新しいユーザインタラクションの書き直し作業に特に対処する「協調クエリ書き換え」手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T18:15:29Z)
• When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation [56.98380787425388]
  シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。 SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。 産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-18T09:04:50Z)
• Retrieval-Augmented Reinforcement Learning [63.32076191982944]
  過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。 検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。 検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
  論文  参考訳（メタデータ） (2022-02-17T02:44:05Z)

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。