RAG知识库

让 AI Agent 先通过 RAG 检索证据，再依据命中质量选择回答、拒答或调用受控工具，并保存路由原因。

让 RAG 回答携带来源 ID、页码和原文片段，先验证引用确实支持对应结论，再把引用渲染给用户。

用带相关文档标注的问题集评估 RAG 检索，计算 Hit Rate 与 MRR，并分别检查 Top-K、无答案和版本变化。

为 RAG 设计 tenant_id、document_id、version 和 status 元数据，在向量查询前强制过滤租户与生效版本。

在 RAG 中并行取得关键词与向量候选，按文档 ID 去重后融合排名，并用关键词和语义两类问题验收。

给火山方舟智能体连接小型知识库，用已知答案、近义问法和资料外问题检查检索与拒答。

从资料整理、知识库导入到召回测试，建立一组有答案与无答案问题，避免智能体在资料缺失时编造。

先在百炼创建并检查知识库，再发布知识检索服务、关联 Agent 2.0，用来源与反例验证是否真正命中文档。

做一个 ai多agent项目，关键不在于“堆多少个智能体”，而在于先确认业务是否真的需要多 Agent，再把角色分工、上下文传递、工具调用、失败兜底和人工审核设计清楚。多数失败项目不是模型不够强，而是任务边界太模糊、流程不可观测、工具权限失控、评估标准缺失。比较稳妥的做法是：先用单 Agent 或工作流验证价值，再拆出必要角色，最后用框架把协作、记忆、工具和…