从 RAG 到领域智能体的研究流程
AI 总结
这篇教程介绍了从基础 RAG 发展到领域智能体和更深入研究流程的完整路径。内容覆盖资料入库、切分、向量化、混合检索、重排、动态路由、ReAct 循环、查询规划、证据获取、记忆与答案核验，并以差旅制度问答贯穿说明。文中还将 RAG 与微调进行对比，把代理搜索、集成研究和全栈 AI 科研划分为不同复杂度的交付层级。
深度见解
文章提供了一套端到端的检索与智能体工作流设计方法，并强调通过事实表和来源引用核验结果。
从 Rag 到领域 Agent
第一天的 Agent 会查日程、订机票、调用接口。同事接着问的往往是另一类问题：「上海住一晚上限多少」「未休年假怎么折算」「这张票超标了要不要审批」。这些话的依据在制度、公告和标准表里，不在模型参数里。
做法是 RAG：先从资料里找出相关段落，再让模型只根据这些段落回答。它接在第一天的公式上。检索是一个 Tool，召回的段落是送进下一轮的 Context。模型仍然只做一次决策；哪几段文字有资格进入上下文，由外层程序决定。
下面按笔记的两条流水线往下讲：资料怎么进库，一次提问怎么变成答案，向量模型怎么选，关键词、向量和混合检索各用在什么问法上，以及检索策略可以由规则选定，也可以交给 Agent。第 6 节处理问法、空库和多跳带来的偏差。第 7 节把 RAG 分成五级。第 8 节是再往后的 Deep Research。例子沿用同一次出差。
#RAG#Agent#ReAct#BM25#OpenAI text-embedding-3-small#Google Gemini Embedding#Sentence-BERT#BERT-base#bge-reranker-v2-m3#Cohere Rerank#WebSailor#MaskSearch