RAG升级为Agentic主动助理 双层记忆架构实现跨会话精准服务

检索增强生成（RAG）正经历关键演进：从传统‘提问-检索-生成’的被动管道，升级为具备主动探索能力的Agentic RAG系统。核心突破包括三方面：一是上下文感知检索，通过LLM为分块自动生成上下文前缀（如将‘收入增长3%’补全为‘2025年Q3财报，北美区业务收入增长3%’），有效解决‘孤儿分块’导致的语义断裂，显著提升BM25召回率；二是流程重构，将检索封装为工具函数，由Agent在ReAct框架下执行‘推理—行动—观察’循环，实现多步试探与迭代检索，但依赖模型元认知能力识别知识盲区；三是结构化知识挖掘，针对法律、医疗等专业领域，先由大模型提取标准化JSON Schema，再进行高效检索与因果推理，优于直接向量化原文。上述技术最终集成于‘双层记忆’架构：上层概览记忆以Advanced JSON Cards形式常驻关键偏好与决策摘要，下层细节记忆按需调取原始分块。两层协同使系统能精准匹配表述差异（如‘供应商A’与‘那家电子元器件厂商’），支撑跨会话连贯响应。目前多家企业已在客户支持、投研简报与合规风控等场景试点，典型行为包括主动追问历史记录、自动串联多源文件生成带溯源报告、识别风险后反向检索判例。挑战仍存，如搜索成本高、Schema构建需专家参与、记忆更新一致性难保障，但轻量级Agent框架与混合重排技术正推动其加速落地。