document-navigation

介绍康奈尔大学与 ASAPP 的 DecisionRAG 论文：用决策模型（如 Jev 1.13）在文档树上导航取代向量相似度检索，实现 retriever-free RAG，在 Natural Questions 上 top-1 命中率达 65.4%，优于 embedding 检索加 8B reranker 的 48.0% 和 GPT-5 reranking 的 60.8%。

RIT-RAG 提出一种结合内容检索与结构导航的检索增强生成方法：离线为每个文档从目录或站点地图构建树结构，查询时通过检索到的 chunk 位置归纳出可管理的子树，由 LLM 智能体导航并选择性阅读节点。在多个基准上超越现有方法，在其提出的 EntQABench 上较最强基线提升 6.8–11.4 个百分点。

Mistral introduces Agentic Search, a multi-step retrieval loop that enhances AI system accuracy and efficiency in navigating complex documents, reducing latency and token use compared to traditional RAG methods.