论文提出面向多智能体系统的企业RAG知识层，先组织再检索
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题出在检索歧义
论文面向企业把智能体 AI 铺开到软件开发生命周期的场景，指出这类系统需要的是被操作系统的行为逻辑，而不是面向利益相关者的文档。作者用一条由七个智能体组成的逆向工程流水线，从 18 个服务下的 241 个仓库中恢复出这类逻辑，形成数千个制品，分别描述范围、旅程、规则与验收标准。但恢复出来不等于可用：offer、eligibility、activation 这类实体在多个服务间以共享词汇反复出现，名字相关而操作含义不同，一条端到端旅程会牵涉上千条近乎相同的规则，且这些规则不能被混为一谈。
为什么传统做法失效
扁平向量检索在这种语料上会失败，它可能把来自错误服务的同一条规则以很高的相似度返回，却不带任何出错信号，使用者难以察觉。传统补救办法是在内容层建本体，但论文指出这样的本体并不存在；而如果把每个反复出现实体的每次出现都建立关联，成本会超过项目本身，也撑不过一个发布周期。作者因此把本体挪到制品层：在这份机器生成的语料里，每个制品都保留生产者、组件、服务、领域和类型等来源信息，这些信息在读取内容之前就能完成消歧。
知识层的三个组件
论文给出的知识层由三部分组成：自描述目录、稀疏元数据注册表，以及定义在制品而非抽取实体之上的导航超图。查询先被解析为制品标识，再由这些标识约束向量检索，于是来自其他服务的竞争性规则根本不会进入候选，而不是在排序中被压下去。作者强调，这让消歧成为结构性的而非统计性的。该层构建耗时不足一周，新服务按约定即可接入，服务对象包括 SDLC 智能体、开发者、质量工程师和分析师。
落地效果与适用范围
论文报告该知识层已支持 100 多个生产缺陷的根因分析与解决，并提到开发者的验证。从描述看，方案的前提是语料由流水线机器生成、制品自带来源元数据；对于缺少这类来源信息的存量文档，论文没有给出替代路径。其价值在于把企业 RAG 的难点从相似度排序转移到检索前的组织与约束，为多智能体共享同一知识底座提供了一种工程化的组织方式。
为什么值得看
企业 RAG 在多智能体场景下的歧义问题被具体化，并给出了可落地的元数据约束检索思路。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。