13｜检索增强：Agent 的知识库和证据链
黄佳
你好，我是黄佳。今天我们继续讲记忆模式组的第二个具体模式，检索增强，也就是大家更熟悉的 RAG。
上一讲分层保留，我们先给 Agent 的记忆建了一套货架。策略 / 管理层、项目 / 领域层、用户 / 租户层、任务 / 会话层、草稿纸 / 轮次层，各有各的位置，也各有各的命运。
货架搭好以后，下一件事就是“取”。在真实系统里，货架里最大的一层，往往是语义记忆。公司制度、产品条款、历史政策、FAQ、培训材料、合同模板、研发文档，体量动辄几千份文档、几十万个片段。这些东西不可能常驻上下文窗口，只能在需要时取回来。
这就是 RAG 要解决的问题。
佳哥制作的 RAG 架构图
RAG 在 2023 年大火，2024 年泛滥，2025 年开始被反思，2026 年则正在被重新定位。Embedding、向量库、top-K、reranker 这些基础概念，我这一讲不重复（大家也可以去我的代码仓库里面去了解 RAG 相关知识点）。
我们聚焦一个更贴近记忆模块的问题：在 Agent 时代，RAG 怎样从“相似文本召回”，升级成“可用、可信、可追溯的证据取回”？
RAG 为什么算记忆，不算感知
我也曾思考过，RAG 最后不也是把几段材料塞进 context，让模型这一轮“看见”吗？为什么不把它归在感知模式？
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
《Agent 设计模式之美》，新⼈⾸单¥68
《Agent 设计模式之美》，新⼈⾸单¥68
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