固定检索流程何时不够用?
传统 RAG 常采用固定流程:一次检索、一次生成。对于跨文档、跨系统的问题,初次检索可能不够。智能体式 RAG 允许系统根据已找到的资料再决定下一步,例如先确认客户名称,再检索合同与工单,最后查询最新状态。它的重点是让检索路径随任务变化,而非单纯增加模型调用次数。
智能体如何决定下一步检索?
系统先解析问题并选择可访问的资料源,再执行初次检索。若结果缺少关键实体或时间范围,可以提出澄清、改写查询或调用另一项工具;若不同来源相互矛盾,则查看版本、权限和来源权威性。达到停止条件后,模型汇总证据并生成答案。实际实现需要限制循环次数、工具权限、成本和延迟,并保存每次检索与决策记录,方便检查为何得出某个结论。
例如,用户问“某客户延期交付的原因和最新处理状态”。系统可能先从合同确认交付日期,再从工单找延期事件,最后查询项目系统的当前状态。每一步都产生新的检索线索。若工单没有明确原因,答案应说明证据缺口,而不是凭时间顺序推断因果。
哪些问题值得使用智能体式 RAG?
多跳问题、跨知识源调查和需要按中间结果调整检索的任务,更可能从智能体式 RAG 获益。对于单一手册中的明确问答,固定 RAG 往往更易控制,也可能更快。智能体可以决定“查哪里”,但数据权限、来源可信度和敏感操作仍应由系统规则约束。镜舟的平台架构技术说明(英文)展示了查询、知识与 Agent 编排协作的企业场景。
常见问题
它会自动比普通 RAG 准确吗?
不会。多次检索也可能传播错误,需要测试检索策略和证据检查。
每个任务都需要多步推理吗?
不需要。简单问题应允许直接检索并结束,避免不必要的延迟与成本。
怎样评估?
除答案质量,还应检查工具选择、检索次数、证据覆盖、停止时机、权限遵守和可复现性。