11｜检索 Agent：从搜索工具到可验证答案
搭建搜索、访问网页与引用答案的完整检索 Agent。
搭建搜索、访问网页与引用答案的完整检索 Agent。
记忆像酒店前台档案：房号是本次会话，偏好可长期保存，身份证复印件则有严格保留和访问规则。
本课交付物
为学习助手写记忆策略，包含写入条件、过期时间、更正、删除和用户查看入口。
核心讲解
提示：
您可以通过 此 动手实验 跟随代码实践，该文件支持在 本地实验环境 中运行。
检索增强生成（Retrieval-Augmented Generation，RAG）系统结合了数据检索和生成模型的能力，以提供上下文感知的响应。例如，用户的查询会被传递给搜索引擎，检索结果与查询一起提供给模型，模型随后根据查询和检索到的信息生成响应。
智能驱动的 RAG（Retrieval-Augmented Generation）通过将自主智能体与动态知识检索相结合，扩展了传统 RAG 系统。
传统 RAG 系统使用 LLM 根据检索数据回答查询，而智能驱动的 RAG 实现了对检索和生成流程的智能控制，从而提高了效率和准确性。
传统 RAG 系统面临关键限制，例如依赖单次检索步骤，以及过度关注与用户查询的直接语义相似性，这可能会忽略相关信息。
智能驱动的 RAG 通过允许智能体自主制定搜索查询、评估检索结果并进行多次检索步骤，以生成更定制化和全面的输出，从而解决这些问题。
基于 DuckDuckGo 的基础检索
让我们构建一个能够使用 DuckDuckGo 进行网页搜索的简单智能体。该智能体将检索信息并综合响应来回答查询。通过智能驱动的 RAG，小安 的智能体可以：
- 搜索最新的超级英雄派对趋势
- 优化结果以包含奢侈元素
- 将信息综合成完整方案
以下是 小安 的智能体实现此功能的代码示例：
智能体遵循以下流程：
- 请求分析： 小安 的智能体识别查询的关键要素——重点关注装饰、娱乐和餐饮的豪华超级英雄主题派对规划
- 执行检索： 智能体利用 DuckDuckGo 搜索最新相关信息，确保符合 小安 对奢侈活动的精细要求
- 信息综合： 收集结果后，智能体将其处理为覆盖派对所有方面的可执行方案
- 未来参考存储： 智能体存储检索信息以便后续活动规划时快速访问，优化后续任务效率
自定义知识库工具
对于专业任务，自定义知识库非常宝贵。让我们创建可以查询技术文档或专业知识的向量数据库工具。通过语义搜索，智能体可以找到与 小安 需求最相关的信息。
向量数据库（vector database）是通过专业 ML 模型实现丰富文档表示的集合，能够快速搜索和检索文档。
该方法将预定义知识与语义搜索相结合，为活动规划提供上下文感知解决方案。通过专业知识访问，小安 可以完善派对的每个细节。
在此示例中，我们将创建从自定义知识库检索派对策划创意的工具。使用 BM25 检索器搜索知识库并返回最佳结果，同时使用 RecursiveCharacterTextSplitter 将文档分割为更小的块以提高搜索效率：
增强后的智能体能够：
- 首先检查文档中的相关信息
- 结合知识库的洞察
- 在内存中维护对话上下文
增强的检索能力
构建智能驱动的 RAG 系统时，智能体可以采用以下高级策略：
- 查询重构： 智能体可以优化原始查询，生成更匹配目标文档的搜索词
- 多步检索： 智能体可以进行多次搜索，利用初步结果优化后续查询
- 多源整合： 结合来自网页搜索和本地文档等多个来源的信息
- 结果验证： 在将检索内容纳入响应前分析其相关性和准确性
有效的智能驱动 RAG 系统需要仔细考虑几个关键方面。智能体应根据查询类型和上下文选择可用工具，记忆系统帮助维护对话历史避免重复检索，后备策略确保在主要检索方法失败时系统仍能提供价值，验证步骤则帮助确保检索信息的准确性和相关性。
资源
- Agentic RAG: 使用查询重构和自查询加速您的 RAG 系统！🚀 - 使用 smolagents 开发智能驱动 RAG 系统的实践指南
本站实战工作台
记忆是一套数据政策，不是无限聊天记录
会话状态服务当前任务；语义记忆保存稳定事实；情节记忆记录发生过的事件；用户偏好可能跨会话。每类记忆的写入条件、保留期、读取角色与删除路径不同。
学习助手的最小策略
“用户偏好简短解释”可以在明确同意后长期保存；“这道题答错”属于一次学习事件，可保留 90 天；原始语音和身份证不应因个性化而默认保存。每条记忆带 source、createdAt、expiresAt、confidence 与 userVisible。
type Memory = {
id:string; userId:string; kind:'preference'|'fact'|'episode'
value:string; source:string; confidence:number
createdAt:string; expiresAt?:string; userVisible:boolean
}
写入前四问
这条信息对未来任务是否必要？用户是否知道？多久后失效？错误时如何更正？模型推断“用户不擅长数学”不能直接写成事实；应保存可观察事件或征求确认。
检索与隔离
先按 userId 与用途过滤，再做语义检索。绝不能跨用户召回。返回上下文前脱敏并限制条数。敏感记忆加密且与普通向量索引分离。
更正、遗忘与导出实验
写入一条假偏好，用户将其更正，确认旧值不再召回；执行删除，检查主库、向量索引、缓存和派生摘要；最后导出用户可读清单。删除事件本身可保留审计元数据，但不保留已删内容。
评估记忆价值
比较无记忆、正确记忆、过期记忆和错误记忆四组任务。错误记忆可能比没有记忆更糟，因此写入质量、置信度与过期机制和召回率同样重要。
完成标准是用户能看、改、删；系统能解释来源和用途；跨用户隔离有测试；长期保存不是默认选项。