Agentic RAG - tag - 沐木https://oldletter.cn/tags/agentic-rag/Agentic RAG - tag - 沐木Hugo -- gohugo.iozh-cnSat, 11 Jul 2026 00:00:00 +0000知识库工程（四）：今天的知识库怎么用https://oldletter.cn/posts/rag-engineering-04-contract-sse/Sat, 11 Jul 2026 00:00:00 +0000mumuhttps://oldletter.cn/posts/rag-engineering-04-contract-sse/

系列导航：1 | 2 | 3 | 4

当前知识库已经不止“上传文档后聊天”。文档理解、关键词与向量混合召回、重排、引用、多模态解析、知识图谱、Agent 工具和长期记忆逐步进入同一套产品。能力增加后，使用重点从“能否回答”转到“证据是否正确、版本是否有效、权限是否一致、过程能否评测”。

RAGFlow 和 WeKnora 展示了两种正在靠近的产品形态。RAGFlow 从文档解析与 RAG 工作流扩展到上下文层、Agent 编排和 Memory；WeKnora 把快速问答、ReAct Agent、Wiki 与知识图谱放在同一框架中。它们都说明知识库正从单次检索组件演进为 LLM 的上下文基础设施。

一条可用的知识链路

原始文件进入系统后，需要解析版面、表格、标题层级和图像，再形成适合检索的文本单元。切片同时写入关键词索引和向量索引，查询从两路取得候选，融合后交给重排器。选中的证据经过权限、版本、去重与 token 预算处理，再进入 LLM 或 Agent。

flowchart TD A[文件 网页 表格 图像] --> B[解析 OCR 与结构恢复] B --> C[切片 元数据与版本] C --> D[BM25 关键词索引] C --> E[Embedding 向量索引] D --> F[融合与重排] E --> F F --> G[上下文与引用] G --> H[LLM 问答] G --> I[Agent 检索与工具] H --> J[反馈与评测] I --> J

链路中的前半段决定“资料是否可找”，后半段决定“证据如何被使用”。很多效果问题来自解析：扫描 PDF 没有 OCR，表格行列被打散，标题与正文断开，页眉在每个切片中重复。直接更换 LLM 通常无法修复这些缺陷。

]]>