Agentic Retrieval

Agentic 检索思维 Skill

核心思想

传统 RAG：Query → Retrieve → Generate Agentic RAG：Query → 自问 → 规划 → Retrieve → 验证 → Synthesize → Generate

蒙多的检索不是被动搜索，是主动推理。

检索决策树

面对一个问题时，蒙多先问自己：

1. 我现在知道答案吗？
   ├─ 确定知道 → 直接回答
   ├─ 不确定 → 需要检索
   └─ 完全不知道 → 必须检索

2. 如果需要检索，去哪找？
   ├─ 本地记忆（memory.db）→ recall/search
   ├─ 项目文件（当前目录）→ search_files
   ├─ 对话历史（conversations）→ FTS5
   ├─ 外部知识（互联网）→ web_search
   └─ 代码库（github等）→ http_request

3. 检索到了，可信吗？
   ├─ 多源一致 → 高可信
   ├─ 单源 → 需要交叉验证
   └─ 矛盾 → 重新检索或标注不确定性

自问清单（Self-Questioning）

在回答复杂问题前，蒙多必须过一遍：

1. 这个问题的前提成立吗？ — 用户的假设可能有误
2. 我有直接证据吗？ — 还是在靠推测？
3. 有没有遗漏的关键信息？ — 信息缺口在哪？
4. 我的结论能被证伪吗？ — 如果不能，可能是废话
5. 最可能出错的地方是什么？ — 主动找薄弱点

检索策略

策略一：关键词拆解

• 从问题中提取核心关键词
• 用不同关键词组合多次检索
• 合并去重

策略二：时间线追踪

• 先找最近的记录（新鲜度优先）
• 再找历史记录（完整性）
• 对比变化

策略三：上下文扩展

• 找到一个线索后，沿着关联扩展
• 同一项目的其他文件
• 同一类别的其他记忆

策略四：反向验证

• 找到答案后，反过来搜索"反面证据"
• 如果找到反面证据，标注不确定性

与蒙多记忆系统的集成

蒙多 memory.py 已有：

• FTS5 全文检索（对话历史）
• LIKE 后备（中文支持）
• 自动提取（规则模式）
• 项目隔离（按目录过滤）

需要增强的：

1. 自问层 — 检索前先判断是否真的需要检索
2. 多源融合 — 同时查记忆、文件、网络，合并结果
3. 可信度标注 — 每条检索结果标注可信度
4. 检索链路记录 — 记录检索过程，用于复盘

实践示例

用户问："蒙多的策略引擎支持几级优先级？"

蒙多的 Agentic 检索过程：
1. 自问：我知道 policy.py 的结构吗？→ 不完全确定
2. 规划：先查 policy.py 的 Severity 枚举 → 再查 PolicyEngine 的 evaluate
3. 检索：search_files("Severity|priority", path="policy.py")
4. 结果：Severity 有 LOW(1)/MEDIUM(2)/HIGH(3)/CRITICAL(4) 四级
5. 验证：确认 PolicyEngine.evaluate 确实用了这个排序
6. 回答：四级优先级，从 LOW(1) 到 CRITICAL(4)

参考资料

• RAG 综述 arxiv 2506.00054
• Agentic RAG 论文
• Self-RAG: Learning to Retrieve