返回资讯中心
外部精选
软件工程
#开发者实时流

我用数据库查询规划器改造多索引 RAG 智能体,路由准确率从 62% 提升到 98%

来源标题:I borrowed the query planner from databases to fix a multi-index RAG agent

作者将多索引 RAG 智能体中的调度 agent 替换为查询规划器,由一次模型调用生成计划、普通代码执行,路由准确率从 62% 升至 98%。在周报场景中补充时间维度和可信日期后,正确答案比例从 23% 提高到 77%。

Hacker News 最新sankeerthan2026/11/15 · 3 天前14 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

TL;DR:我们的 agent 要从三个搜索索引里找答案,由 orchestrator agent 决定去哪里查。结果只有 62% 的问题被送去了正确的索引。我把它换成了 query planner:一次模型调用写出计划,再由普通代码执行。路由准确率升到了 98%。对于周报类问题,计划里还需要带上时间,文档也需要一个可信的日期。之后,正确回答率从 23% 提升到了 77%。

这篇文章讲的是我在改进一个从多个搜索索引里找答案的 agent 时学到的东西。把一个 agent 接到一个索引上很简单。把它接到三个索引上、还要从正确的那个里拿到答案,这才是难点。用户并不关心答案在哪个索引里,他们也不会一次只问一个干净利落的问题。

这个 agent 在大多数情况下都表现良好,直到我们构建了 golden datasets 并跑了起来。越看失败案例,我就越发现原因往往不在搜索或答案本身,而在它们之前的那个决策:去哪里查。

以一个面向员工的内部助手为例。本文中我把它的三个数据源称为:

  • 手册(政策、流程)
  • 周报(每周项目动态)
  • 工单(支持请求及其解决方案)

我们能不能把所有东西塞进一个索引,指望语义搜索施展魔法?试着回答这些问题:

  • “我可以在下一个 release 之前安装这个工具吗?”——答案在手册里(安装政策),而“release”这个词来自周报。
  • “我居家办公的天数上限是多少,团队上周讨论过吗?”——需要两个索引。
  • “客户 X 报的那个 bug 后来怎么样了?”——需要工单里的解决方案,再加上周报里的背景。

所以每个数据源都有自己的索引。现在每个问题都要先做一个决策:查哪个索引?

这是大多数教程展示的做法,也是我们 agent 原来的做法。一个前置 agent 接收消息,每个索引对应一个工具。它读取工具描述,调用它认为合适的那个。在我们的例子里,手册工具本身又是一个 agent。agent 里套 agent。

想想“我可以在下一个 release 之前安装这个工具吗?”会发生什么。“Release”这个词在 orchestrator 的 prompt 里是个项目词汇。于是问题被送去查周报。

更糟的是,每条消息在真正的回答开始之前都要花好几次模型调用。周报类问题要花一分钟甚至更久。

常见的修法:在 orchestrator 前面加一个快速分类器和关键词规则。打招呼、工单号、明确的问题直接送到正确的地方。

这样更快。但每条消息仍然只给一个标签。一条消息里有两个问题时,仍然只得到一个路由。

和 TDD 类似,我先准备了一个 golden dataset:366 个对话轮次,每个都标注了正确的索引。分类器把其中 62% 送对了地方。只靠关键词规则是 61%。

所以更好的 router 并不是答案。它路由的是消息,而应该路由的是问题。

看失败案例时,想法很快就来了:我们需要的是类似数据库 query planner 的东西,而不是 orchestrator agent。

数据库不会原样执行你的 SQL。它的 query planner 先把查询变成计划(哪些表、哪些索引、哪些过滤条件),然后引擎再执行。决定取什么是和取本身分开的。我们的 orchestrator 把两者混在了一起。

这就是整个思路。一次模型调用读取消息(连同最近几条消息),写出一个计划:

{ "questions": [ { "text": "我居家办公的天数上限是多少?",

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →