检索

AI 智能体的上下文工程（智能体记忆）始于检索

LangChain 的 Deep Agents 框架介绍了让智能体更高效检索信息的方法。原来智能体有三类问题：搜索方式笨拙，反复打开文件或用不同措辞重复搜索，白白消耗时间和上下文；一次搜索塞进太多内容，把上下文窗口占满；以及拿到过时或不相关的信息，还可能在此基础上继续出错。它的做法是：默认使用 glob 按文件名查找、grep 搜索文件内关键词、read_file 逐页读取，不整份加载文件；结果太大时，把完整结果存成文件，只把路径和摘要交给智能体；自定义检索（如 RAG）则先检索、再存文件、由子智能体去读，主智能体只看相关内容。这样智能体能更快找到对的资料，减少无效搜索和上下文浪费。文中还提到 ls、write_file、edit_file 等内置工具，以及向量库、SQL、搜索 API、MCP 服务器等检索数据源；具体效果数据文中未说明。

legal-rag-agent：面向中国法律文本快照的可复现 RAG 检索与评测系统

1040942669/legal-rag-agent · Evidence-grounded Chinese legal RAG with controlled adaptive retrieval, citation verification, and reproducible evaluation.

该项目是一个面向指定中国法律文本快照的可复现 RAG 工程，围绕稳定召回正确法条、验证优化有效性以及在证据不足时安全停止生成三个核心问题构建。它实现了自研中文 BM25、dense、RRF 融合与可选 cross-encoder 重排等检索能力，规则型查询理解、证据充分性检查、引用编号检查等受控 Agent 能力，以及包含分层评测集、bootstrap 置信区间、五维实验矩阵和失败归因的评测体系。项目同时在 PostgreSQL/pgvector 版本化语料、持久会话、幂等 run、SSE 续读与故障恢复等工程方向上迭代发布多个版本。项目仅用于检索与工程研究，不提供个案法律意见，且不随附完整法律语料。

以为需要更好的重排器？先检查你的检索环节

Vespa.ai 将举办一场线上研讨会，讲的是搜索系统效果不好时该怎么办。很多人的第一反应是换更强的"重排器"——它负责把候选结果里最好的排到最前面——但大规模重排既费钱又慢，而且如果前面检索阶段压根没把正确结果捞进来，重排器也无能为力。这次分享提出把检索做成"多层漏斗"：先用便宜的词法、向量或混合检索从大堆文档里捞出一大批候选，再逐步收窄，最后只让少量最有希望的候选进入昂贵的机器学习重排。这样前面覆盖广、后面花钱少。活动时间为 10 月 13 日，需注册参加，未公布其他细节。