会推理、会验证、会行动的检索

超越简单搜索。Agentic RAG 将多跳检索与重排序、验证和工具执行结合,使每个答案可辩护、每项操作可审计。

传统 RAG 返回最匹配的片段,并寄望语言模型整理出来。Agentic RAG 在该步骤外包裹一个循环:它规划检索、依据业务规则核验结果、在发现缺口时遍历相关上下文,然后才提交答案或操作。

单次查询的流转

编排器将用户意图拆解为子查询,选择合适的检索器(向量、BM25、图或 SQL)并并行调度。

对头部候选使用交叉编码器重排序,相对纯相似度搜索提升准确率 10–20%。低置信候选自动触发二次检索。

响应返回前,验证链检查引用、业务规则与策略约束。在允许时,智能体直接完成操作——更新工单、调用 API——而非将工作退回人工。

跨文档与知识图谱节点间追踪链接,回答跨多源问题,同时不让提示被无关上下文撑胀。

专用重排序器针对原始查询为每个候选打分,在不接受近似答案之处提升精度。

每个主张都可追溯至来源——可点击引用、跨度级归因,以及每次响应带置信度评分。

当置信度低于阈值时,管道将问题连同完整推理轨迹路由给人工——而不是一行光秃的问题。