Recoleta Item Note
Agentic DAG-Orchestrated Planner Framework for Multi-Modal, Multi-Hop Question Answering in Hybrid Data Lakes
A.DOT 是一个面向企业混合数据湖问答的代理式规划框架，把自然语言问题编译成可执行的 DAG 计划，以支持跨结构化表和非结构化文档的多跳推理。它试图同时提升正确性、完整性、延迟与可审计性，并提供明确的证据链与数据血缘。
multi-hop-qadag-planninghybrid-data-lakeagentic-frameworkevidence-tracing
Summary
A.DOT 是一个面向企业混合数据湖问答的代理式规划框架，把自然语言问题编译成可执行的 DAG 计划，以支持跨结构化表和非结构化文档的多跳推理。它试图同时提升正确性、完整性、延迟与可审计性，并提供明确的证据链与数据血缘。
Problem
- 现有企业级 RAG/工具调用方案通常对 SQL 库和向量库分别暴力检索再事后拼接，效率低、容易过检索与数据泄露，也缺少显式多跳推理能力。
- 混合数据湖中的问题常需要在表格与文档之间反复跳转；若没有计划化执行，模型容易幻觉、选错数据源，且难以追踪答案来源。
- 这很重要，因为企业场景不仅要求答案对，还要求低延迟、可验证、可审计、可追踪的数据血缘。
Approach
- 核心机制是把一个自然语言问题在单次 LLM 规划中拆成多个“原子子问题”，生成一个有依赖关系的 DAG；每个节点只面向一种数据源（SQL 或向量库）。
- 系统先做结构验证 + 语义验证：检查 schema 合法性、变量依赖、无环性、意图是否保持、聚合/连接是否可执行；有问题时交给 DataOps 诊断、修复或重规划。
- 执行时按 DAG 拓扑顺序运行，独立节点可并行，并通过变量绑定只传递最小必要中间结果（如 document_id），减少负载与泄露风险。
- 框架还加入释义感知计划缓存，可复用等价查询的 DAG 计划；同时记录每一步的操作、输入输出与证据来源，形成可验证的 lineage/evidence trail。
Results
- 在 HybridQA dev 集（3,466 个问答对）上，A.DOT 报告的主结果为：Answer Correctness 71.0、Answer Completeness 73.0。
- 相比最强基线 Standard RAG（Correctness 56.2，Completeness 62.3），A.DOT 提升 14.8 个百分点正确性、10.7 个百分点完整性。
- 其他基线表现：ReAct 40.2 / 44.3，LLM Compiler 27.8 / 30.8，说明仅靠顺序工具调用或较弱 DAG 编排不足以处理跨模态多跳推理。
- 在 500 样本消融实验中，完整 A.DOT 达到 71.8 / 74.3；去掉 DataOps 降到 60.0 / 61.8；去掉 Plan Validator 为 68.0 / 69.6；两者都去掉为 67.9 / 69.6。
- 论文还声称系统正在评估接入 IBM Watsonx.data Premium，但部署效果、用户研究和大规模性能测试尚未给出公开量化结果。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.