菜单
English articles本文暂无译文
积墨AI

积墨AI

当RAG撑不起复杂业务编码:一套融合LLM Wiki、OKF与Git的Agent知识库实践

给通用Coding Agent一个函数签名或一段局部逻辑,它往往能快速完成实现;但一旦需求跨仓跨端、充满业务黑话和隐性约束,产出常常不可用。团队早期用RAG向量知识库补充业务资料,却发现召回的片段仍需人工补齐场景边界、依赖关系和当前事实,AI代码采纳率低、返工频次高。问题的根源不在于搜不到知识,而在于知识没有被按业务结构组织起来。

RAG为什么撑不起复杂业务编码

对真实编码任务的统计显示,知识相关率仅从25.45%提升至42.20%,知识采纳率长期在20%~28%之间波动。RAG返回的是语义相似的材料,而非当前业务真正需要的上下文:知识点状化、缺少整体视角,业务关系需要Agent在任务内临时拼装,影响分析依赖额外调查,旧知识与现状冲突时也无从判断。这四个局限把问题从能不能搜到,转向能不能按业务结构理解知识。

Agent到底需要什么样的知识库

从第一性原理出发,Coding Agent的任务是把一个业务需求变成一次正确的代码变更,模型具备通用编程能力,但具体业务事实必须外部供给。由此可推导出四条设计约束:按需供给而非全量堆给、按业务结构组织而非条目堆积、提供可核验的路径而非只给结论、知识必须像代码一样版本化演进。给人看的知识直接灌输给Agent,是许多知识库方案的隐性错位。

Agent知识库的成败,不在向量库里、不在检索算法里,而在业务结构被组织、被核验、被持续维护的每一个场景里

“行业观察”
积墨 AI 核心产品

积墨企业专属知识库

混合检索 + 重排序技术,支持多源文档一键向量化导入,为企业打造专属高精度知识大脑。

域-场景-知识三层建模与Git治理

从多年产业实践经验来看,这套方案的关键在于把业务理解当作需要持续维护的工程产物。知识建模上,以业务场景为核心单元,用Markdown保存业务解释、YAML frontmatter声明身份与依赖,人能审阅、程序能检查、Agent能按结构读取;知识生产上,人工确定场景边界与责任,Agent跨仓调查并回源核验,将已核实关系编纂为场景知识;知识消费上,层次索引提供域和场景的紧凑入口,Agentic Search按任务逐步展开并回到代码核验当前事实;知识迭代上,LLM负责增量更新与定期全量审查,Git承载差异、评审与回退记录,让每次修订都有依据、可追溯。

基于历史真实需求构造的两批端到端生码测评中,固定同批次Agent运行时与工作流后,该方案综合得分较无知识库基线平均相对提升约39.15%,较既有RAG方案提升约30.1%,线上仓库定位准确率从60%升至90%,已覆盖场景的链路定位F1达到基准的1.38倍。更值得复用的是三条方法论:以需求如何变化决定知识如何划分;复用已理解的结构、重新确认当前事实;让生产、消费、维护和评测指向同一场景对象,使建设投入能够持续积累。当然,场景边界仍需人参与,业务判断的准确性必须由维护人兜底。

知识库的读者从人扩展到Agent后,比拼的不再是检索命中率,而是知识能否被机器理解、按需获取、逐项核验、持续更新。把业务理解留下来,是为了让下一次变更有可复用的起点;让它持续接受事实核验,是为了让这个起点仍然可信。

#Agentic Search#知识图谱#Git治理#层次索引#RAG瓶颈#LLM Wiki
分享文章

相关文章推荐

试用咨询
企业微信二维码

扫码添加企业微信