SchemaRouter：用模式图路由降低 RAG 系统工具调用开销

arXiv 上发表的一篇论文提出 SchemaRouter，一个面向异构 agentic RAG 系统的轻量级路由层。当前 RAG 系统常常需要同时对接外部 API、内部数据库、向量库与图数据库，主流做法要么把全部工具描述一股脑塞给 LLM 智能体，要么仅按向量相似度选工具。前者会造成「过度取数」，拖慢响应并浪费 token；后者容易「取数不足」，漏掉回答问题所需的关键字段。SchemaRouter 的目标是用更确定的逻辑同时压低两种失误。

核心思路：用模式图替代纯向量匹配

SchemaRouter 将工具、端点、参数、响应字段、领域概念、单位、来源（provenance）与许可证策略统一表达为一张「模式图」。接到查询后，它先用一个小型 LLM 抽取意图、概念与来源约束，然后通过意图组投影（intent-group projection）和带别名层的概念–字段匹配（concept-field matching）在图上做确定性的字段选择，最终输出一个可执行的工具调用计划：调哪些工具、取哪些字段。

论文的关键设计点是：路由决策不是黑箱生成，而是图上的可解释投影，便于审计与回溯，也更容易把来源与许可证信息显式落到答案中。

基准结果：少 token、低延迟、准确率持平

论文在 110 条查询的材料科学基准上做了对比，主要结果如下：

• 准确率：SchemaRouter 取得 0.71，与 fetch-everything 在重叠置信区间内持平，超过 prompt-all 的 0.66（区间有重叠）。
• Token 消耗：检索上下文仅 227 个 token，约为 fetch-everything（2,066）的九分之一。
• 端到端延迟：相比 prompt-all 降低约 2.7 倍。
• 工具与参数正确率：工具精确匹配率 0.93，参数合法性 1.0，两项均为各方案最佳。
• 来源/许可证落地：在 62% 的答案中明确给出 provenance 与 license 标注，基线方案这一比例接近 0%。

一个反直觉发现

论文还报告了一条值得注意的结论：单纯压缩所选字段数量反而有害。在实验中，仅最小化字段数把准确率拉低到 0.56，token 节省却几乎可以忽略；而采用「保召回的投影」策略则能把准确率重新拉回顶部。这意味着路由目标不应是「越少越好」，而是「按需且可验证」。

适用边界与展望

作者总结 SchemaRouter 在效率、与模式大小无关的可扩展性，以及可验证的来源/许可证落地上取得改进，同时维持了具有竞争力的准确率。论文也承认，当前的材料科学基准规模有限，要观察其在更广泛领域与更大规模模式图上的稳定性，仍有待进一步工作验证。