百度 TURA 三階段架構(gòu)：讓 AI 檢索 “動” 起來
1. 為什么傳統(tǒng) RAG 不夠用了？
圖 1 傳統(tǒng) RAG 只能返回靜態(tài)網(wǎng)頁，而 TURA 可以實(shí)時(shí)調(diào)用攜程 API 查詢機(jī)票
- 痛點(diǎn)：現(xiàn)有檢索增強(qiáng)生成（RAG）系統(tǒng)只能讀取已索引的靜態(tài)網(wǎng)頁，無法回答“下周從北京到上海的最低票價(jià)是多少”這類需要實(shí)時(shí)數(shù)據(jù)的問題。
- 需求：用戶希望一次對話就能完成查票、訂酒店、看天氣、規(guī)劃路線等多件事。
2. TURA 登場：三階段“工具人”架構(gòu)
圖 2 TURA 三階段框架總覽：檢索 → 規(guī)劃 → 執(zhí)行*
TURA（Tool-Augmented Unified Retrieval Agent）用工具調(diào)用把 RAG 從“靜態(tài)閱讀”升級為“動態(tài)交互”。核心分為三步：
階段 | 關(guān)鍵模塊 | 一句話總結(jié) |
① 檢索 | Intent-Aware MCP Server Retrieval | 把用戶一句話拆成多個“小意圖”，再從上千個工具里秒選最相關(guān)的幾個。 |
② 規(guī)劃 | DAG-based Task Planner | 把小意圖畫成有向無環(huán)圖（DAG），讓能并行的步驟一起跑，省時(shí)間。 |
③ 執(zhí)行 | Distilled Agent Executor | 用“小模型”蒸餾“大模型”的推理能力，既快又準(zhǔn)地調(diào)用工具拿結(jié)果。 |
3. 深度拆解：每個階段的黑科技
3.1 意圖感知檢索：如何 1 秒鎖定 5 個最相關(guān)工具？
- 查詢分解：LLM 先把“去北京玩 5 天”拆成["查北京天氣", "找 5 個景點(diǎn)", "訂酒店", "規(guī)劃路線"]
- 語義增強(qiáng)索引：為每個工具離線生成 20 條“用戶可能問法”，解決“用戶口語 vs API 文檔”的 Gap。
- 向量召回：用 ERNIE 做多向量 MaxSim 檢索，Recall@5 達(dá)到 0.8289（表 4）。
表 4 檢索模塊消融實(shí)驗(yàn)：缺了分解或索引增強(qiáng)都會掉分
3.2 DAG 任務(wù)規(guī)劃：并行神器
- 復(fù)雜查詢不再是線性流水，而是并行圖。例：訂酒店 & 查天氣互不依賴，可以同時(shí)跑；路線規(guī)劃需等前兩者完成后才啟動，節(jié)省 44% 延遲（表 6）。
表 6 DAG vs 串行：成功率相當(dāng)，延遲從 1650 ms → 920 ms
3.3 蒸餾執(zhí)行器：小模型也能打大模型
- 老師：DeepSeek-V3（671B）
- 學(xué)生：Qwen3-4B 蒸餾版
- 結(jié)果：
表 7 工具調(diào)用準(zhǔn)確率：學(xué)生 88.3 % > 老師 82.4 %，延遲 750 ms
秘訣：訓(xùn)練時(shí)保留思維鏈，推理時(shí)直接出動作，既省 token 又保智商。
4. 實(shí)戰(zhàn)成績：線上 A/B Test
- 樣本：百度真實(shí)流量 10^3 量級用戶
- 指標(biāo)：
Session Success Rate（SSR）：55.1 % → **64.0 %**（+8.9 %）
人工評分：TURA 在 13 % 場景“明顯更好”，僅 4 % 出現(xiàn)新問題（表 2）。
表 2 線上 A/B 結(jié)果
TURA 用“檢索 + 規(guī)劃 + 工具調(diào)用”的三板斧，把只能查資料的 RAG 變成能訂票、能規(guī)劃、能交互的 AI 搜索體，已在百度億級流量場景跑通，為下一代對話式搜索樹立了新范式。
https://arxiv.org/pdf/2508.04604
TURA: Tool-Augmented Unified Retrieval Agent for AI Search本文轉(zhuǎn)載自????CourseAI????，作者：CourseAI
