层级感知的Agentic检索：融合多路信号发现，按文档树导航下钻，返回带源页面和关联资产的可追溯证据

方案简介

这是 Knowhere 的第二步：Agentic Retrieval（智能体检索）。文档解析完成后，记忆库已包含导航树、关联资产、引用和跨文档关系。与传统 RAG 做平面向量查找并返回孤立片段不同，Knowhere 的 Agent 会在文档章节树和跨文档图上导航，像人类读者那样钻入最相关的区域，返回可追溯、上下文充分的证据。该检索方案适合任何需要从本地/离线文档集合中引用原始出处的 LLM 工作流和 Agentic RAG 场景。

亮点与能力

• 多信号融合发现：融合路径、内容、词项、摘要和实体信号实现广泛的首轮覆盖
• 层级感知导航：使用 MapNav 从文档总览移动到最相关的章节和证据
• 证据引用：返回带源文档、章节、源页面和关联资产的可追溯结果
• 跨文档图：可沿跨文档关系探索，而非仅限单文档内部

组成与分工

• 多路信号融合检索：首轮广覆盖，融合路径、内容、词项、摘要、实体五类信号
• MapNav：层级感知导航组件，从文档总览逐层下钻到最相关章节与证据
• 引用模型（citation）：为结果附上源文档、章节、源页面和关联资产
• 文档章节树 / 跨文档图：Agent 导航的底层结构

实施步骤

Knowhere 的工作流程分两步，检索是第二步：

1. 解析并构建记忆

• Route：根据文档格式和 API 代次选择 Vision 或 Text 轨道
• Understand：在可靠处保留原生文本结构，或用视觉模型整体理解复杂页面
• Normalize：把两条轨道转换为同一层级原生 chunk 与元数据模式
• Build Memory：将导航树、关联资产、引用和跨文档关系存储为 agent-ready 上下文

2. Agentic 检索

• Discover：融合路径、内容、词项、摘要与实体信号做首轮广覆盖
• Navigate：用层级感知 MapNav 从文档总览移动到最相关章节和证据
• Cite Evidence：返回带源文档、章节、源页面和关联资产的可追溯结果

使用与配置要点

验证检索成功的关键标志：返回的结果是可追溯的，包含源文档、章节、源页面和关联资产，而不是孤立片段。Agent 的消费方式与文档轨道无关——文本章节和视觉理解的页面都是兼容的层级节点，因此下游无需针对不同文档格式做区分处理。

优缺点

• ✓ 证据可追溯含源文档与页面
• ✓ 层级导航定位更相关区域

出处

本方案挖掘自开源项目 Ontos-AI/knowhere，方案内容与实施命令均来自其 README 原文。