当前，Agentic RAG（Retrieval-Augmented Generation）正逐步成为大型语言模型访问外部知识的关键路径。但在真实实践中，搜索智能体的强化学习训练并未展现出预期的稳定优势。一方面，部分方法优化的目标与真实下游需求存在偏离，另一方面，搜索器与生成器间的耦合也影响了泛化与部署效率。

我们（UIUC & Amazon）提出的 s3（Search-Select-Serve）是一种训练效率极高、结构松耦合、生成效果导向的 RL 范式。该方法使用名为 Gain Beyond RAG (GBR) 的奖励函数，衡量搜索器是否真的为生成带来了有效提升。实验表明，s3 在使用仅 2.4k 训练样本的情况下，便在多个领域问答任务中超越了数据规模大百倍的强基线（如 Search-R1、DeepRetrieval）。

• 论文标题：s3: You Don’t Need That Much Data to Train a Search Agent via RL
• 论文链接：https://arxiv.org/pdf/2505.14146
• 代码仓库：https://github.com/pat-jj/s3

研究动机

RAG 的发展轨迹：从静态检索到 Agentic 策略

我们将 RAG 系统的发展分为三阶段：

1.Classic RAG：使用固定 query、BM25 等 retriever，生成器对结果无反馈；

2.Pre-RL-Zero Active RAG：引入多轮 query 更新，如 IRCoT、Self-RAG 等，部分通过 prompt 引导 LLM 检索新信息。Self-RAG 进一步通过蒸馏大型模型的行为，训练小模型模拟多轮搜索行为；

3.RL-Zero 阶段：强化学习开始用于驱动检索行为，代表方法如：

1. DeepRetrieval：以 Recall、NDCG 等搜索指标为优化目标，专注于检索器本身的能力；
2. Search-R1：将检索与生成联合建模，以最终答案是否 Exact Match 作为强化信号，优化整合式的搜索 - 生成策略。

尽管 RL 方法在思路上更具主动性与交互性，但在实际落地中仍面临诸多挑战。

当前 RL-based Agentic RAG 落地表现不佳的原因

我们对当前 Agentic RAG 方案效果不稳定、训练难、迁移能力弱的原因，归纳为三点：

1. 优化目标偏离真实下游任务

Search-R1 等方法采用 Exact Match (EM) 作为主要奖励指标，即答案是否与参考答案字面一致。这一指标过于苛刻、对语义变体不敏感，在训练初期信号稀疏，容易导致模型优化「答案 token 对齐」而非搜索行为本身。

例如，对于问题「美国第 44 任总统是谁？」，

• 回答「Barack Obama」：✅
• 回答「The 44th president was Barack Obama.」：❌（EM=0）

这种不合理的信号会诱导模型在生成阶段做格式补偿，从而无法反映搜索策略本身是否有效。

2. 检索与生成耦合，干扰搜索优化

将生成纳入训练目标（如 Search-R1），虽然可以提升整体答案准确率，但也会带来问题：

• 无法判断性能提升究竟来自「更好的搜索」，还是「更强的语言生成对齐能力」；
• 对 LLM 参数依赖强，不利于模型迁移或集成；
• 微调大模型成本高，限制了训练效率和模块替换的灵活性。

3. 现有评价标准无法准确衡量搜索贡献

EM、span match 等传统 QA 指标主要关注输出结果，与搜索质量关联有限。而 search-oriented 指标（如 Recall@K）虽可度量 retriever 性能，却无法体现这些信息是否真的被模型「用好」。这些偏差直接导致现有 RL Agentic RAG 方法在评估、训练和泛化上均存在瓶颈。

s3 - 专注搜索效果优化的 search agent RL 训练框架

s3 的出发点很简单：

如果我们真正关心的是「搜索提升了生成效果」，那就应该只训练搜索器、冻结生成器，并以生成结果提升为奖励。

这便是「Gain Beyond RAG（GBR）」的定义：

即：用 s3 搜索到的上下文喂给 Frozen Generator 之后的生成效果，相比初始的 top-k 检索结果是否更好。值得注意的是，s3 训练时始终初始化于相同的原始 query，从而能清晰对比 s3 检索对结果带来的真实「增益」。

准确率（Acc）评估标准

我们采用了更语义友好的 Generation Accuracy（GenAcc）指标。它结合了两种机制：

1. Span Match：判断生成答案是否包含参考答案的任意 token span
2. LLM Judge：由一个轻量 LLM 判断答案是否语义正确

两者只要任意一个通过，则视为正确。这一指标在人工对比中与人类判断一致率高达 96.4%，相比之下，EM 仅为 15.8%。

训练与优化 - 仅需 2.4k 样本即可完成 ppo 训练:

我们采用 PPO 进行策略优化。为了提升训练效率：

• 我们预筛除掉了「naive RAG 就能答对」的样本；
• 将训练样本集中在需要真正检索的新信息的任务上；
• Generator 完全冻结，训练代价完全集中在 Searcher。

s3 训练总时间只需 114 分钟（vs Search-R1 的 3780 分钟），数据也减少约 70 倍。

实验分析

General QA w/ RAG

实验一：通用 QA 任务，s3 优于 Search-R1 和 DeepRetrieval。

我们在六个通用数据集上评估了 Direct Inference、Naive RAG、IRCoT、DeepRetrieval、Search-o1、Search-R1 以及 s3 的性能。实验中，我们使用了不同的下游 LLM，包括 Qwen2.5-7B-Instruct，Qwen2.5-14B-Instruct 和 Claude-3-Haiku。

尽管 s3 仅使用了 2.4k 条 NQ+HotpotQA 训练数据（training source 和 Search-R1 一样），它在其中五个数据集上实现了最优表现，展现出显著的泛化能力。

Medical QA w/ RAG

实验二：医学 QA 任务，s3 展现惊人的跨领域能力

我们随后在五个医学领域的 QA 数据集上进一步评估了模型性能，测试使用了两个语料库：Wikipedia2018（与通用测试一致）和 MedCorp（ACL 2024）。结果显示，Search-R1 在其训练语料上表现良好，但在语料变更后显现出过拟合趋势；相比之下，s3 能稳定迁移至不同的数据集与语料库，凸显出其基于 searcher-only 优化策略的强泛化能力。

reward 优化曲线

图 5 展示了我们的 reward 曲线，可以看出 s3 在接近 10 个训练步骤（batch size 为 120）内便迅速「收敛」。这一现象支持两个推断：（1）预训练语言模型本身已具备一定的搜索能力，我们只需通过合理的方式「激活」这种能力；（2）在一定范围内，适当增加每轮搜索的文档数量和最大轮次数，有助于提升最终性能。

消融实验

在不同配置下，移除组件对性能的影响（平均准确率）。我们使用了三组设定进行对比，结果表明 s3 的设计在准确性与效率之间达到了最优平衡。

我们进一步通过消融实验，验证了 s3 框架中两个关键设计的必要性：

• 「从原始问题开始检索」是方向正确的保障：我们发现，以用户原始问题作为第一轮检索的起点，有助于模型明确搜索目标、建立有效的检索路径。若不设置这一初始点，搜索策略往往偏离主题，导致性能显著下降。
• 「文档选择」机制显著降低 token 消耗：该机制允许模型在每轮检索后主动筛选信息，从而避免将所有检索结果一股脑送入生成器。通过这一设计，s3 的输入 token 平均减少了 2.6 至 4.2 倍，不仅提升了效率，也减少了噪声干扰，对生成效果有正面作用。

总体来看，s3 设计中的「起点初始化 + 动态选择」是支撑其高效、强泛化性能的关键。即使在某些数据集上通过增加输入内容能获得短期增益，s3 原始结构在训练效率、推理速度与生成准确率上依然展现出更稳定的优势。

FAQ

Q1：为什么我们报告的 Search-R1 结果与原论文不一致？

A1：Search-R1 原文使用 Exact Match（EM）作为 reward 和评估指标，并对模型进行了针对性微调。将这种针对 EM 优化的模型，与其他 zero-shot 方法比较，略显不公平，也难以衡量搜索本身的效果。因此我们采用更语义友好的 Generation Accuracy（GenAcc），结合 span 匹配和 LLM 判断，与人类评估一致率达 96.4%。相比之下，EM 只能捕捉字面一致，反而容易误导模型优化方向。

Q2：s3 为什么不训练生成器？这样是否限制了模型性能？

A2：我们设计 s3 的核心理念是：如果我们想真正优化搜索效果，不应让生成器被训练，否则会混淆「搜索变好」与「语言模型变强」带来的增益。冻结生成器不仅提升了训练效率（节省大模型微调成本），也便于模型迁移到不同任务与生成器，真正做到「搜索能力即插即用」。