8.0
热点
AI SCORE
技术实践2026-11-18 20:39
为智能体 RAG 设计有预算的检索循环
dev.to · AI#RAG#工具调用#检索策略
Editor brief · 编辑速览
文章给出智能体 RAG 的最小控制流,按查询规划、工具调用、结果观察和停止判断循环,最后基于收集到的证据生成带引用的答案。实现建议包括工具白名单、结构化参数和明确的检索预算。
文章思维导图
Knowledge map
AI brief
原文暂未完整获取,基于公开信息的快读
dev.to 上有篇文章给出了智能体 RAG 的最小检索循环。模型先根据问题和已有证据规划下一步,再从白名单里选工具,拿到结果后判断该停还是继续。循环受调用次数、耗时和检索内容量约束,最后用收集到的证据生成带引用的答案。
目前能确认什么
RAG(检索增强生成)先查资料,再用查到的内容回答问题。查询改写处理的是怎么把问题变成更好搜的查询,多跳检索关注怎么把不同文档里的证据串起来。作者讨论的是检索过程的控制流:每轮拿到结果后,接下来该查什么、用哪个工具、何时结束。这些做法可以组合使用。
节选里的例子是查询某个 API 版本的停用日期和负责团队。先搜到停用公告,再按文档 ID 取全文,把两个信息项补齐。作者还建议给工具调用传结构化参数,在每个工具内部按用户权限过滤,并把检索结果当作数据处理。预算用完时如果证据仍有缺口,答案要明确指出缺的是哪一项。
我的判断
如果现有 RAG 常能找到相关文档,却漏答同一个问题里的某个子问题,这套循环有明确的用处。比如已经找到停用日期,下一轮就只查负责团队。评估时可以看漏答的字段补齐了多少,再看为此多花了多少时间。
节选给出了按信息覆盖度停止的伪代码,但「查到了字段」和「证据足以支持答案」之间怎么判定,仍要等全文确认。比如两份资料给出不同的停用日期,只检查日期字段是否有值,就可能提前结束检索。