RAG Agent

一、立项背景与目标
1. 立项背景
在传统的知识库问答系统中，普遍存在以下痛点：
- 流程混乱：通用ReAct Agent在处理复杂业务时，容易发生步骤跳跃或逻辑错乱，导致回答质量不稳定。
- 上下文断裂：多轮对话中，用户常使用代词（如“它多少钱？”），传统向量检索缺乏指代消解能力，导致检索失败。
- 意图混杂：闲聊式提问（如“你好”）与知识检索式提问（如“XX产品参数是多少”）被统一处理，浪费算力且影响用户体验。
- 状态丢失：用户刷新页面或稍后再访问时，对话历史无法延续，每次都是“新会话”。
2. 项目目标
- 构建一个流程可控、意图可分流、上下文可理解、状态可持久的智能知识助手。
- 实现复杂业务逻辑的结构化解耦，提升系统的可维护性与稳定性。
- 显著提升多轮对话场景下的检索命中率与回答准确率。

二、软件功能与核心模块
1.整体功能概述
本系统是一个基于LLM的智能对话式知识库问答助手，支持用户通过自然语言提问，从向量知识库中精准检索并生成回答。系统特别强化了多轮对话中的指代消解能力与流程可控性。
2.核心功能模块介绍
模块名称 功能说明
Planner（规划器） 基于LLM + 专用Prompt，硬编码业务流程。负责解析用户请求，按固定流程调度执行，防止逻辑跳跃。
语义路由器 基于LLM的分类工具，动态识别用户意图为“chat”（闲聊）或“retrieval”（知识检索），实现分支分流。
历史加载与写入模块 与Redis集成，自动追加对话历史，确保跨会话的上下文连续性。
查询重写模块 结合历史对话，将存在指代或省略的用户问题（如“它多少钱？”）改写为语义完整的独立问句。
混合检索引擎 同时执行向量语义检索与关键词检索，通过RRF算法融合排序，提升召回效果。
Executor（执行器） 根据Planner的指令，调用重写、检索、生成等环节，最终输出回答。
系统流程严格遵循：语义路由 → 历史加载 → (分支判断) → 查询改写/直接回答 → 知识库检索 → 最终生成

三、业务流程与功能路径
以下为用户与系统交互的完整功能路径描述：
场景一：用户进行知识检索（多轮对话）
场景二：用户发起闲聊
场景三：用户首次访问 / 会话恢复

1. 构建Plan-Execute分层代理架构
- 将任务处理拆分为Planner和Executor两个阶段，实现了复杂业务逻辑的结构化解耦。
- 基于LLM-Planner定制专用Prompt，硬编码业务执行流程。强制Agent严格按照“语义路由 → 历史加载 → (分支判断) → 查询
改写/直接回答 → 知识库检索 → 最终生成”的顺序执行，避免了传统ReAct Agent在复杂流程中容易出现的步骤跳跃或逻辑混乱
问题。
2. 实现智能语义路由与分支处理
- 开发基于LLM的分类工具，动态识别用户意图为chat或retrieval。
3. 查询重写与混合检索
- 针对多轮对话中的指代消解难题（如用户追问“它多少钱？”），设计专用工具结合历史对话将碎片化问题改写为语义完整的独
立问句再送入向量库检索，显著解决了因上下文缺失导致的检索失效问题。
- 语义与关键词多路召回，由RRF算法排序知识片段，提高召回率
4. 工程化落地
- 实现对话历史的自动追加与Redis写入，确保用户下次访问时能无缝衔接上文。