18｜别只答 RAG：教你设计 Agent 的信息检索机制
邓明
你好，我是大明。
从这一讲开始，我们正式进入 Agent 面试里面一个非常重要的话题：检索。
一提到检索，很多人的第一反应就是 RAG；一提到 RAG，又立刻想到 Chunk、Embedding、向量数据库、Top-K、BM25、Rerank。
但事实上，RAG 只是 Agent 检索中的一部分。
只要 Agent 稍微复杂一点，就会遇到大量“需要去找东西”的场景：知识库问答需要 RAG，摘要压缩之后需要召回历史细节，用户说“刚才那个方案”可能需要检索之前的对话，长任务执行过程中还可能需要重新查找工具结果、中间产物、Checkpoint，甚至查询外部实时数据。
所以面试官问“你们的检索怎么做”，如果你只回答：
文档切片之后生成 Embedding，存到 Milvus，查询时向量召回 + BM25，再用 Reranker 排序。
这个答案当然没错，但实在太标准了。现在随便找一篇 RAG 教程，基本上都有这一套流程，很难体现你真正解决过复杂的 Agent 检索问题。
真正值得讨论的问题其实是：
什么时候需要检索？
到底要查询什么？
应该去哪里查询？
一次没查到怎么办？
查出来太多又该怎么办？
所以这一部分我们讨论的不是“怎么做一个 RAG”，而是怎么设计 Agent 的整个信息检索机制。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《AI Agent 系统设计面试现场》，新⼈⾸单¥59
《AI Agent 系统设计面试现场》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论