从"检索管道"到"主动助理"——Agentic RAG 与双层记忆（五）

原文：mp.weixin.qq.com/s/e2P8r7YVr...（2026年10月04日）

拼图快齐了：记忆会提炼、会分格式，知识库会分块、会混合检索，还能长成树、织成网。但它们大多还是"你问一句、它查一下"的被动管道。这一篇就看最后三块------也是最"聪明"的三块------以及整套设计的收束。

一、上下文感知检索：给每个分块补上"身份"

还记得第三篇埋的伏笔吗？分块会切断片段和原文的联系，产生"孤儿分块"------"该公司"指代谁、"这段话出自哪份报告"，都留在了块外面。

上下文感知检索（Contextual Retrieval） 正是来修补这个最基础环节的（这个思路最早由 Anthropic 提出）。做法朴素但有效：在建索引之前，为每个分块生成一段专属于它的上下文说明，再把它和原文块一起嵌入。流水线大致是这样：

复制代码

PLAINTEXT
文档 → 基础分块 → LLM 为每块生成上下文前缀 → 增强块
     → 检索流水线（稀疏 + 稠密）→ 混合检索 + 重排

比如一块只写着"收入增长 3%"，模型会为它补上"这段话出自某年第三季度财报，讨论的是北美区业务"，检索时就不会再张冠李戴。书里的实验用同一批标注问题对比了"加不加上下文"，并画出离线 BM25 的 recall@k 变化------结论是加前缀后召回明显提升。

注意它的定位：它不是架在 Agentic RAG 之上的更高一层，而是回过头去修补最基础的分块缺陷，提升每个分块自身的检索质量。

二、智能体化 RAG：从"固定管道"到"主动探索"

前面所有的检索方法共享一个前提------流程是固定的：分块、嵌入、检索、生成，一条道走到黑。可现实里的问题常常需要多步、试探、回退：先搜一下，发现没找到，换个关键词再搜，还不够就去查相关概念。

智能体化 RAG（Agentic RAG） 就是把这条固定管道，升级成由 Agent 主导的、动态的、迭代的探索过程------Agent 自己决定"什么时候该搜、搜什么、要不要继续搜"。技术上是把检索包装成工具，交给模型在"推理---行动"循环里反复调用（这正是 ReAct 的思路）。

书里也点出了它的一处软肋：如果模型不知道自己不知道什么，就无法正确触发搜索------这个"元认知"问题，是 Agentic RAG 真正的难点。

三、从结构化数据里"挖"深度知识

有一类知识天生是非结构化的：医疗病历、法律判决、客户反馈。想让它能被统计和推理，得先把它"结构化"。

书里用了一个法律判决 的例子，很能说明问题。核心分两阶段。第一阶段，知识提取与结构化 ：用大模型把每个案例的非结构化描述（如案情陈述）转成包含关键判决因素的标准化 JSON。难点在于定一个既全面又一致的"数据模式（Schema）"。这里有个巧妙之处------自下而上发现因子：不预设僵化的模式，而是让模型先分析几百个样本、自由列出所有可能影响判决的因素，再据此归纳出模式。最终得到一个"核心模式"（适用于所有案件的情节，如自首、赔偿）加上针对不同罪名的"扩展模式"（如盗窃的涉案金额、故意伤害的伤害等级）。第二阶段则是在这个结构化底座上做检索与推理。

可见，当检索对象是结构化数据时，"先让模型把数据整理成统一对象"往往比"硬检索原文"有效得多。

四、收束：一套"双层记忆"架构

现在把这些零件装回去，就是全章这一节的落点------一套双层记忆架构。

上层，是常驻上下文的"概览" ：用前面讲的 Advanced JSON Cards，把用户最关键的偏好、关系、摘要，做成精炼的结构化卡片，始终摆在模型眼前。下层，是按需检索的"细节"：大量原始记录和片段沉在知识库里，靠上下文感知检索精确调取。

一"概览"、一"细节"叠加起来，跨会话记忆的召回精度和冲突解决能力都明显提升------它才真正撑得起第一篇里那个最高标准：主动服务。

小结 & 系列回顾

五篇走下来，其实一直在回答同一个问题：怎样让 AI 记住你、记住知识。

第一篇搭骨架：记忆分"用户记忆 / 知识库"，能力分"基础回忆 / 多会话检索 / 主动服务"，存储分"轨迹 / 长期记忆"。

第二篇讲怎么存：四种格式一条光谱，情景 / 语义 / 程序三种类型，Mem0、Memobase 两个真实框架。

第三篇讲怎么查：RAG 的检索→增强→生成，稠密、稀疏与混合检索。

第四篇讲怎么组织：RAPTOR 的树、GraphRAG 的图、OpenViking 的文件系统，以及时效治理。

第五篇讲怎么变主动：上下文感知检索、Agentic RAG、结构化知识提取，收敛为双层记忆架构。

如果只带走一句话：好的 Agent 记忆，是一套"提炼---组织---检索---主动"的系统工程，而不是一个数据库。 想动手，可以从书里 chapter3 的实验开始------换一种记忆格式、加一层重排序，效果差异用具体例子一看便知。

🔗

延伸阅读（开源项目） ：编排框架看 LangChain / LlamaIndex ；知识图谱看 Microsoft GraphRAG 、Zep / Graphiti ；记忆层可对比 Letta（MemGPT） 、Supermemory ；一体化 RAG 平台可看 RAGFlow 。原文与配套实验见开源书 bojieli/ai-agent-book（第 3 章）。