系统通过深度多模态解析保留文档的视觉语义信息，支持跨模态和多粒度自适应检索，并采用迭代多智能体工作流进行深度研究。系统采用离线-在线架构，离线阶段解析文档为多粒度表示，在线阶段通过PlannerAgent分解查询，SearcherAgent执行多模态检索，RefinerAgent精炼证据。

系统通过深度多模态解析保留文档的视觉语义信息，支持跨模态和多粒度自适应检索，并采用迭代多智能体工作流进行深度研究。系统采用离线-在线架构，离线阶段解析文档为多粒度表示，在线阶段通过PlannerAgent分解查询，SearcherAgent执行多模态检索，RefinerAgent精炼证据。

摘要 重排序(Reranking)是检索增强生成(RAG)系统中的关键环节，用于优化检索结果。它采用两阶段策略：第一阶段使用高效但精度较低的双编码器（Bi-Encoder）快速召回候选文档；第二阶段通过计算密集但更精准的交叉编码器（Cross-Encoder）对候选文档进行深度重排序。双编码器独立编码查询和文档，通过向量相似度快速匹配，适合海量数据；交叉编码器则联合处理查询和文档，利用注意力机制捕

摘要 重排序(Reranking)是检索增强生成(RAG)系统中的关键环节，用于优化检索结果。它采用两阶段策略：第一阶段使用高效但精度较低的双编码器（Bi-Encoder）快速召回候选文档；第二阶段通过计算密集但更精准的交叉编码器（Cross-Encoder）对候选文档进行深度重排序。双编码器独立编码查询和文档，通过向量相似度快速匹配，适合海量数据；交叉编码器则联合处理查询和文档，利用注意力机制捕