从RAG到代理式AI：构建下一代智能企业系统
内容提要
企业AI中，单纯RAG系统存在查询歧义、检索遗漏和无法表达不确定性等问题。解决方案分三代演进：混合检索结合向量与关键词搜索；知识图谱增强实体关联；代理式AI实现动态推理、安全边界、消歧、并行检索和保守置信度评分。核心原则是确定性优先、低延迟、强制置信度评估和隐私硬约束，未来趋势是多代理编排。
延伸解读
从“够用”到“不够用”：企业RAG的三大痛点
文章指出，标准RAG在企业场景中常遇到三类问题：查询歧义（如缩写多义）、检索遗漏（同义不同词导致向量匹配失败）、以及无法表达不确定性（幻觉与真实答案难以区分）。这些问题并非边缘情况，而是日常现实。理解这些局限，是决定是否升级到混合检索、知识图谱或代理式AI的前提。
混合检索的工程细节：去重与延迟优化
混合检索并非简单拼接向量与关键词结果。文章强调多级去重（按ID、来源、内容指纹）以避免冗余，以及使用倒数排名融合（RRF）合并异构排名。同时，异步并发执行两种检索可将延迟降低40%以上，而延迟是影响用户采纳的关键因素。这些细节决定了混合检索在生产环境中的实际效果。
GraphRAG的取舍：确定性实体提取优于LLM
多数教程推荐用LLM提取实体，但文章指出其存在延迟高、成本高、非确定性问题，在受监管环境中难以调试。相反，基于规则的多次实体提取（最长优先匹配、归一化匹配、词元匹配）在微秒级完成且零边际成本，更适合生产。这提醒实践者：在追求“现代”技术时，需权衡生产约束。
代理式AI的“第六项纪律”：安全边界
文章认为，除工具使用、记忆、规划等常见能力外，企业级代理AI必须将安全作为架构边界。查询在进入检索或生成前，应先检测敏感信息并立即拒绝。此外，消歧应在检索前用轻量级数据库方法完成，而非依赖LLM猜测。这些设计原则旨在确保系统可靠、可审计且保护隐私。
Q&A
企业级RAG系统存在哪些主要问题？
企业级RAG系统存在三个主要问题：查询歧义（如领域特定缩写可能有多种含义）、检索遗漏（向量相似性可能错过使用不同术语的关键文档）、以及无法表达不确定性（幻觉答案与有根据的答案看起来一样）。
什么是混合检索？它如何解决单一检索方法的不足？
混合检索是同时运行密集向量搜索和稀疏关键词搜索（如BM25），然后智能合并结果。它解决了向量搜索可能忽略精确关键词匹配的问题，以及关键词搜索无法捕捉语义相似性的问题，从而提高了检索的全面性和准确性。
GraphRAG如何增强检索？它解决了什么问题？
GraphRAG在检索管道中增加知识图谱层，利用实体和关系来丰富检索和生成。它通过实体标签和基于实体数量的评分，使文档即使使用不同表面语言也能被检索到，解决了标准RAG无法理解实体关联和领域结构的问题。
代理式AI（Agentic AI）与传统的RAG管道有何不同？
代理式AI用动态推理系统取代固定的检索-生成管道，系统根据中间结果在每一步决定下一步做什么。它能够处理多跳问题，如比较、规划和故障排除，而传统RAG只能处理单跳问题。
在代理式AI系统中，如何实现安全边界？
安全边界是架构上的硬性约束，在管道的第一步进行安全评估，如果检测到敏感信息（如客户数据或机密引用），立即拒绝查询，确保敏感信息永远不会到达检索或生成组件。
什么是保守置信度评分？为什么它比平均置信度更好？
保守置信度评分使用乘法而非平均，如果任何单个组件不确定，整体置信度会急剧下降。例如，规划置信度0.9和检索置信度0.1的乘积为0.09，而平均会给出误导性的0.5。这使系统能够明确表达“我不知道”，避免给出低质量答案。
构建企业AI系统时，有哪些核心原则？
核心原则包括：确定性优先于灵活性（保留LLM用于生成推理，其他用确定性逻辑）；延迟是特性（为每个组件设定延迟预算）；强制置信度评估（系统必须能区分“找到好答案”和“猜测”）；隐私是架构约束（安全护栏必须是硬边界）。
企业AI的未来趋势是什么？
未来趋势是多代理编排，即专门化的代理动态发现彼此能力并协作处理跨组织边界的查询。新兴标准如MCP和代理间发现协议正在使这成为可能。
