从 RAG 到 Agent：让知识真正参与推理

内容说明：这是用于演示网站排版与内容组织的示例文章。请在正式对外分享前替换为自己的实验、结论与来源。

先把问题放回系统里

当一个系统需要解释指标为什么变化时，它不仅要理解指标口径，还可能需要读取数据，并根据证据继续查询。此时，知识既是回答的材料，也是下一步行动的依据。

先明确哪些步骤可以固定，哪些步骤确实需要根据证据调整，再决定交给模型多少自由度。

从检索链路到决策循环

一个最小闭环包含理解问题、检索上下文、规划动作、校验执行和观察结果。循环还需要明确的预算、停止条件和澄清入口。

state = initialize(question, permissions)

for step in range(MAX_STEPS):
    evidence = retrieve(state.context)
    decision = plan(state, evidence)
    if decision.is_final:
        return answer_with_sources(decision, evidence)
    action = validate(decision.action, state.permissions)
    result = execute_read_only(action, timeout=10)
    state = observe(state, result)

把边界画出来

flowchart LR
  Q[问题] --> R[检索上下文]
  R --> P[规划]
  P --> V[参数与权限校验]
  V --> T[只读工具]
  T --> O[观察结果]
  O --> P

怎样验证这个系统

用固定问题集分别检查口径检索、工具选择、参数校验、执行结果和结论证据。保留失败样例，检查歧义输入、超时和越权请求是否都能得到可解释的处理。

参考：Tiptap、Mermaid 等组件只负责内容表达；真实业务 Agent 仍需独立实现权限与执行约束。