检索工程正成为AI Agent时代的关键工程学科

AI agents 正在改变检索的需求。随着组织从聊天机器人转向能够调查、推理并代表用户行动的 AI 系统，检索正在成为应用质量的基础。更出色的检索不仅能产生更优质的答案——它还能实现更有能力的助手、更个性化的体验，以及更值得信赖的自主系统。

传统的搜索甚至许多 RAG 应用尚能容忍不完美的检索。如果用户没有找到完全所需的内容，可以优化查询或重试。但 AI agent 没有这种奢侈。

"随着组织从聊天机器人转向能够调查、推理并代表用户行动的 AI 系统，检索正在成为应用质量的基础。"

AI agent 会规划、推理、调用工具，且越来越多地在无人审核每个中间步骤的情况下做出决策。这大大提高了门槛。检索不再只是找到相关信息——而是在正确的时间持续提供正确的证据。

对工程师而言，这带来了一系列熟悉的挑战：

• 对于这个用户而言，哪些信号最重要？
• 新鲜事件如何改变相关性？
• 如何组合结构化、非结构化和行为信号？
• 模型应该在什么时候影响排名？
• 如何针对业务成果而非相似度分数进行优化？

这些都不是向量数据库的问题。它们是检索工程（Retrieval Engineering）的问题。

这已不仅仅关乎嵌入或向量搜索。而是要对整个检索流程进行工程化：结合混合检索、实时信号、排名、机器学习推理以及持续实验，在服务时提供最佳决策。

GigaOm 最近的一份 Decision Brief 认为，随着检索日益商品化，竞争优势转向决策——在应用或 AI agent 行动之前，确定它应该看到什么、以什么顺序看到。

"随着检索日益商品化，竞争优势转向决策——在应用或 AI agent 行动之前，确定它应该看到什么、以什么顺序看到。"

这与我们对检索工程的理解高度一致：

Prompt 工程影响模型如何推理。检索工程决定它要推理什么。

随着组织从副驾驶（copilot）转向生产级 AI agent，我相信检索工程将成为与 Prompt 工程和模型工程并列的核心工程学科。

如果你对工程学科本身感兴趣，我之前的文章更深入地探讨了检索工程（https://thenewstack.io/ai-retrieval-engineering-bottleneck/）。新的 GigaOm 论文则从另一个角度补充了讨论——为什么这些工程决策越来越影响产品质量、客户体验，并最终影响业务成果。

阅读 GigaOm 报告。