When Retrieval Metrics Mislead: Measuring Policy Signal in Long-Horizon Tool-Use Agents — 深度解读

1. 问题与动机

工具调用（tool-use）agent 在长程任务里通常先检索"该遵守哪条策略/政策"，再决定动作。业界默认用 exact-match retrieval recall（精确匹配召回率）来衡量"检索器是否给下游决策模型提供了有用的策略上下文"——召回率高就认为检索质量好。本文直接质疑这一代理指标（proxy）是否成立。作者在 τ-bench（airline / retail 两个客服域）上把问题具体化为"动作前策略分类"：给定当前对话轨迹，模型要在 allow / verify / refuse 三类里判断下一步动作该被允许、需核验还是应拒绝。关键观察是：在 airline 域，四个常用检索器的 recall@5 只有 0.16–0.24、recall@1 仅 0.07，gold 策略条款在 122 条候选里的中位排名约在第 45 位——按检索指标看几乎是"检索失败"。但下游分类性能是否真的随之崩塌？这正是论文要回答的、对所有做 RAG/agent 评测的团队都切身相关的问题。

2. 方法详解

结构化决策状态（structured state）：作者不把原始长轨迹丢给分类器，而是抽取四个显式字段——{request intent（请求意图）, evidence read so far（已读证据）, applicable policy assertion（适用策略断言）, pending action class（待决动作类别）}，压缩到约 185 tokens，相比原始轨迹的约 2118 tokens 缩减一个数量级。

分类器与训练设置：用 Qwen2.5-3B/7B 做 LoRA 微调（r=16、5 epochs、lr 5×10⁻⁵、bf16）。训练集为 τ-bench-airline 的 195 个 airline state，测试集为 15 个不相交任务下的 85 个 state，gold 标签来自策略断言。

两种条件对照：(a) gold-policy conditioning——分类器拿到基准指定的正确策略条款；(b) retrieved-policy——测试时用现成检索器（MiniLM bi-encoder、bge-large-en-v1.5、e5-large-v2、bge-reranker-large）的 top-1 条款替换 gold 条款。通过对比这两条件下的 macro-F1，即可分离"检索指标"与"下游策略信号"。

3. 核心技术贡献

1. 揭示"召回率会低估下游策略效用"：在 airline 上 recall@1 仅 0.07 的劣质检索条件下，top-1 retrieved 的 macro-F1 = 0.580，几乎追平 gold 条款的 0.604（gap 仅 −0.024，95% CI [−0.233, +0.207]，无可检出损失）。即"检索指标很差"并不等于"下游决策很差"。
2. 结构化状态本身是更强的信号来源：在都给 gold 策略时，结构化状态 macro-F1 = 0.601 远高于原始轨迹的 0.293（gap +0.308，CI [+0.237, +0.380]），微调后净提升 +0.173(3B)/+0.133(7B)——即摘要所述的 0.13–0.17。
3. 增益来源的因果分解：策略可得性贡献约一半（raw+policy 比 raw +0.137），结构化字段筛选贡献另一半（+0.171）；并用多组控制实验排除了"只是更短/只是有 scaffold/标签泄漏"等替代解释。

4. 实验结果分析

核心对照（3B，gold 策略）：结构化状态 0.601 vs 原始轨迹 0.293。检索 vs gold（3B）：gold 0.604、top-1 retrieved(MiniLM) 0.580、mismatched policy 0.315、no policy 0.206——可见"给错策略"或"不给策略"才会真正掉到 0.31/0.21，而"检索指标差但检到的条款大致对路"几乎不掉分。

检索指标侧：airline recall@5 = 0.16–0.24、retail recall@5 = 0.55–0.60；按类别看 allow/verify/refuse 的 recall@5 = 0.00/0.05/0.50，分布极不均衡。

消融与稳健性：长度对齐控制仍有 +0.184，字段打乱（shuffled）+0.313，mismatched 控制 +0.268（策略关键词与 gold 动作仅 14–33% 重合，排除标签泄漏）。按类别，结构化增益集中在 refuse（recall 升到 1.00）和 allow（F1 0.39→0.63），代价是 verify recall 略降 0.46→0.40。gold-injection 诊断显示：结构化相对原始的优势只有在 gold 条款有效命中率约 0.75 时才稳健，而所有实际检索配置都远低于该阈值。7B 上结论一致（retrieved +0.450 vs gold +0.467，delta −0.017）。

5. 局限与未来方向

作者明确指出：(1) 构造效度——实验用的是基准自带的策略断言（airline 122 条、retail 51 条），并非真实多页政策文档，对自然语料的外推未验证；(2) 规模小——测试集仅 85 个 airline state/15 任务、retail 40 任务，且只有两个带策略断言的域；(3) 机制混淆——retrieved 条款比 mismatched 条款更长（21 vs 10 tokens），上下文对齐与长度效应部分缠绕；(4) 配置敏感——"无可检出损失"这一结论对微调配置敏感，欠训练（gold ≤0.49）或过训练（8 epochs，delta −0.16）时 gold-policy 差距会重新拉开；(5) 离线评测——分类器在 live agent 闭环外离线评估。结论的边界是"检索并非普遍充分"，高风险系统仍需"检索之外的验证"。

6. 工业实践意义

对搜索/推荐与 agent 从业者，最直接的启示是：不要把 nDCG/recall 当作检索质量的唯一裁判。本文给出反例——recall@1 仅 0.07 的"差检索"在下游策略分类上几乎不掉分，说明"检索到正确文档"与"下游模型真正用上它"是两回事。落地建议：(a) 评测时在 exact-match recall 之外，并行报告 end-to-end 的 downstream/retrieved-policy 性能（论文的核心 recommendation）；(b) 与其堆 top-k 命中率，不如优先做上下文结构化——把意图、已读证据、适用规则、待决动作压成紧凑结构化状态（这里 185 vs 2118 tokens），既省 token 又显著提分（+0.17）；(c) 注意"给错策略/不给策略"才是真正的性能悬崖（掉到 0.31/0.21），因此召回的目标应是"够用且对路"，而非追求精确命中；(d) 高风险决策（如内容审核中的 refuse）应在检索之外加独立验证。部署上结构化状态把上下文从约 2118 压到 185 tokens，对延迟和显存都友好。