Loading...

🔍

潜在知识检索(LKR)

在多智能体的自主式 AI 系统中，基于抽象推理模式而非显式查询来检索信息。

复杂度: high知识检索（RAG）

In 30 seconds

What: 不靠匹配显式关键词，而是通过推断跨智能体的抽象推理模式来检索知识，并从潜在的概念关系中综合出洞见。
When to use: 面对开放式问题的多智能体系统，其中相关知识散落在互不相连的领域，隐含关联比直接匹配更重要。
Watch out: 计算成本高且脆弱：当潜在模式与真实事实并不吻合时，智能体可能自信满满地检索出看似合理却错误的知识。

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic Design面向生产环境 AI 智能体的模式与工具

专家支持价格

设计模式与技术

Loading...

🔍

潜在知识检索(LKR)

在多智能体的自主式 AI 系统中，基于抽象推理模式而非显式查询来检索信息。

复杂度: high知识检索（RAG）

In 30 seconds

What: 不靠匹配显式关键词，而是通过推断跨智能体的抽象推理模式来检索知识，并从潜在的概念关系中综合出洞见。
When to use: 面对开放式问题的多智能体系统，其中相关知识散落在互不相连的领域，隐含关联比直接匹配更重要。
Watch out: 计算成本高且脆弱：当潜在模式与真实事实并不吻合时，智能体可能自信满满地检索出看似合理却错误的知识。

核心机制

通过在潜在语义空间中导航而非字面关键词来检索并综合知识。系统将用户查询抽象为概念/模式，生成假设性扩展（例如 HyDE），执行稠密与混合检索，用 cross-encoder 重排，并以引用为最终答案提供依据。树/聚类结构（例如 RAPTOR）可提升召回与推理能力。

工作流 / 步骤

解析意图并抽象出模式（实体、关系、机制、约束）。
查询扩展：生成假设性文档以引导检索（HyDE）。
对查询/扩展做向量化；执行带混合过滤（词项/元数据）的稠密向量检索。
用 cross-encoder 重排器（例如 Cohere Rerank、monoT5）对候选前列重排。
用 MMR/DR 与多向量/后交互模型（例如 ColBERT）提升多样性。
组装并压缩上下文；标注来源；可选择用 RAPTOR 式树结构组织。
基于检索到的证据生成答案；验证并去重各项主张。
记录引用、分数与 trace；更新缓存与新鲜度索引。

最佳实践

按语义边界分块并保留重叠；为引用维护稳定 ID 与来源信息。

选择在 MTEB 上针对你所在领域验证过的嵌入模型；做版本管理并在升级时重新嵌入。

使用混合检索（BM25 + 向量 + 元数据过滤）以提升对实体与编码的精确率。

始终对 top-k 加入 cross-encoder 重排；在延迟与质量之间调优 k。

用 MMR/多样性控制冗余；在构造提示前合并重复内容。

用行内引用为答案提供依据；强制执行引用正确性检查。

持续评测：precision/recall@k、NDCG/MRR、有据回答率、幻觉率。

缓存热门查询与嵌入；为时效性数据设置 TTL 与新鲜度策略。

不适用场景

极小且静态的语料库，精心设计的提示或规则优于检索开销。
无法承担嵌入、ANN 与重排器开销的超低延迟路径。
缺乏可验证真值，或必须提供引用却无法提供的任务。
缺乏加密、访问控制与稳健治理的高敏感数据。

常见陷阱

分块质量差、元数据缺失 → 召回低且引用脆弱。
跨服务的嵌入漂移/不匹配；模型未做版本管理。
跳过重排；仅依赖 ANN 相似度分数。
过度检索导致 token 膨胀；缺少 MMR/多样化或合并。
忽视新鲜度；对时效性查询返回过期内容。

核心特性

假设性文档扩展（HyDE）与查询改写

带元数据过滤的稠密 + 混合检索

cross-encoder 重排与校准

多向量/后交互检索（例如 ColBERT）

树/聚类式检索与综合（例如 RAPTOR）

引用追踪与来源保留

KPI / 成功指标

precision/recall@k、MRR/NDCG；覆盖度与多样性分数。
有据回答率；引用的正确性与唯一性。
相对无检索基线的幻觉率降低。
p50/p95 延迟与每回答成本；缓存命中率。

Token / 资源用量

每分块/查询的嵌入成本；尽可能批处理；复用缓存的嵌入。
ANN 索引/查询计算（HNSW/IVF 参数）与重排器推理成本。
上下文组装与摘要的 token；强制预算与压缩。
向量 + 元数据的存储；用于重新嵌入/重建索引的后台任务。

最佳适用场景

具备有据综合能力的研究助手与文献综述。
带引用的支持/知识库问答与产品文档。
代码/架构检索与跨仓库推理。
需要可追溯证据的合规、审计与安全审查。

参考资料与延伸阅读

Loading technique guide…

Patterns

设计模式与技术

Loading...

核心机制

工作流 / 步骤

解析意图并抽象出模式（实体、关系、机制、约束）。
查询扩展：生成假设性文档以引导检索（HyDE）。
对查询/扩展做向量化；执行带混合过滤（词项/元数据）的稠密向量检索。
用 cross-encoder 重排器（例如 Cohere Rerank、monoT5）对候选前列重排。
用 MMR/DR 与多向量/后交互模型（例如 ColBERT）提升多样性。
组装并压缩上下文；标注来源；可选择用 RAPTOR 式树结构组织。
基于检索到的证据生成答案；验证并去重各项主张。
记录引用、分数与 trace；更新缓存与新鲜度索引。

最佳实践

按语义边界分块并保留重叠；为引用维护稳定 ID 与来源信息。

选择在 MTEB 上针对你所在领域验证过的嵌入模型；做版本管理并在升级时重新嵌入。

使用混合检索（BM25 + 向量 + 元数据过滤）以提升对实体与编码的精确率。

始终对 top-k 加入 cross-encoder 重排；在延迟与质量之间调优 k。

用 MMR/多样性控制冗余；在构造提示前合并重复内容。

用行内引用为答案提供依据；强制执行引用正确性检查。

持续评测：precision/recall@k、NDCG/MRR、有据回答率、幻觉率。

缓存热门查询与嵌入；为时效性数据设置 TTL 与新鲜度策略。

不适用场景

极小且静态的语料库，精心设计的提示或规则优于检索开销。
无法承担嵌入、ANN 与重排器开销的超低延迟路径。
缺乏可验证真值，或必须提供引用却无法提供的任务。
缺乏加密、访问控制与稳健治理的高敏感数据。

常见陷阱

分块质量差、元数据缺失 → 召回低且引用脆弱。
跨服务的嵌入漂移/不匹配；模型未做版本管理。
跳过重排；仅依赖 ANN 相似度分数。
过度检索导致 token 膨胀；缺少 MMR/多样化或合并。
忽视新鲜度；对时效性查询返回过期内容。

核心特性

假设性文档扩展（HyDE）与查询改写

带元数据过滤的稠密 + 混合检索

cross-encoder 重排与校准

多向量/后交互检索（例如 ColBERT）

树/聚类式检索与综合（例如 RAPTOR）

引用追踪与来源保留

KPI / 成功指标

precision/recall@k、MRR/NDCG；覆盖度与多样性分数。
有据回答率；引用的正确性与唯一性。
相对无检索基线的幻觉率降低。
p50/p95 延迟与每回答成本；缓存命中率。

Token / 资源用量

每分块/查询的嵌入成本；尽可能批处理；复用缓存的嵌入。
ANN 索引/查询计算（HNSW/IVF 参数）与重排器推理成本。
上下文组装与摘要的 token；强制预算与压缩。
向量 + 元数据的存储；用于重新嵌入/重建索引的后台任务。

最佳适用场景

具备有据综合能力的研究助手与文献综述。
带引用的支持/知识库问答与产品文档。
代码/架构检索与跨仓库推理。
需要可追溯证据的合规、审计与安全审查。

参考资料与延伸阅读

潜在知识检索 (LKR) - Agentic Design

Loading...

潜在知识检索(LKR)

In 30 seconds

Patterns

Loading...

设计模式与技术

Loading...

潜在知识检索(LKR)

In 30 seconds

核心机制

工作流 / 步骤

最佳实践

不适用场景

常见陷阱

核心特性

KPI / 成功指标

Token / 资源用量

最佳适用场景

参考资料与延伸阅读

学术论文

实现指南

工具与库

社区与讨论

Patterns

设计模式与技术

Loading...

设计模式与技术

核心机制

工作流 / 步骤

最佳实践

不适用场景

常见陷阱

核心特性

KPI / 成功指标

Token / 资源用量

最佳适用场景

参考资料与延伸阅读

学术论文

实现指南

工具与库

社区与讨论

设计模式与技术