当Agent接入开放网络，RAG系统因海量噪声和冲突信息导致准确率骤降，成为新瓶颈。一种无需微调的冲突感知证据稀释方案，作为后置插件，将复杂冲突场景下的回答准确率从14.3%跃升至94.3%，同时大幅降低推理成本，为构建高可信智能体提供了新思路。
智能速览
Agent开放网络搜索引入噪声，成为RAG系统新瓶颈。
传统堆砌上下文策略在冲突信息下准确率仅14.3%。
OverSearchGuard方案无需微调，作为后置插件清洗检索结果。
该方案将RAG准确率从14.3%提升至94.3%，同时降低78%的Token消耗。
其核心是优化正确性和去重，而非传统的相关性排序。
精华内容
在RAG系统中，当Agent接入开放网络后，传统的堆砌证据策略为何会失效？又该如何用一种全新的思路，根治噪声致幻的顽疾？
噪声致幻觉
当RAG系统接入开放的互联网搜索时，一个严峻的挑战随之而来：信息信噪比急剧下降。大模型（LLM）对重复信息存在天然的盲从倾向，当网络上大量的错误信息因互相洗稿而高频出现时，传统的RAG系统几乎毫无抵抗力。
压力测试显示，在面对包含大量矛盾信息的检索结果时，简单地将Top-50结果全部塞入Prompt的“暴力美学”策略，其回答准确率仅有14.3%。这并非模型不懂逻辑，而是注意力被占据多数的重复错误信息（Duplicate Attack）所劫持，造成了算力的巨大浪费。
做减法治理
为解决此问题，OverSearchGuard方案被提出，其核心思路是“做减法”。它并非传统的Reranker，而是作为检索与LLM之间的治理层存在。
根本区别在于优化目标：普通Reranker优化的是信息与问题的“相关性”，而OverSearchGuard优化的是信息的“正确性”与“去重”。例如，若网络上有10篇高度相关的错误洗稿文，传统Reranker会将其排在前列；而OverSearchGuard则会识别其信息源同质化并进行压制，从源头过滤噪声。
准确率飞跃
这种“少而精”的策略带来了回答准确率的质变。在相同测试集下，经过OverSearchGuard过滤后，模型的回答准确率从14.3%跃升至94.3%。
这一结果有力地证明了，在RAG系统中，一条清晰、无冲突的证据链，远比一段冗长、充满噪声的上下文更重要。它终结了Agent因噪声而产生“幻觉”的困境，让决策基础更加坚实可信。
成本大幅降低
除了准确率提升，该方案在成本控制上表现同样出色。通过剔除绝大部分冗余文本，单次推理的平均Token消耗降低了78%。
这意味着，在相同的预算下，Agent可以处理的任务量可提升近四倍，或显著降低用户感知的首次响应延迟（TTFT）。其核心的TPC（总Token/正确答案数）指标优化，实现了以极低的推理成本完成高可信的智能体决策。
OverSearchGuard方案代表了RAG技术从“追求多”到“追求精”的范式转变。它证明了在开放网络环境中，智能的证据治理比单纯扩大上下文更为关键。这一思路或许能为未来构建更可靠、更经济的AI Agent系统提供一个可行的底层框架。
