有多少人在用RAG系统的思路,做Agent的知识管理系统?
起手就是文档切分、向量化,然后接下来存向量库,最后检索召回,得到最相关的topK片段给到大模型。然后立刻发现,agent场景中,相似度高,并不一定等于正确。一旦出现跨页面答案,或者几个chunk拼合一起,才能组成正确答案的情况,传统RAG流程,就会力不从心。原因很简单,RAG的这套逻辑是做简单、被动查询用的,不是给Agent用的。Agent获取信息,需要像人看书一样,先读目录看整体结构,再点开具体章节文件读,找不到再精准搜、语义搜,这才是最自然的探索逻辑。怎么怎么让agent掌握这种层层递进的知识获取结构呢?针对这一背景,我们尝试在向量数据库之上,搭建一层更贴合 Agent 的知识交互层,将其设计为类似文件系统的使用形态,这就是 VKFS。01
RAG系统在agent知识管理中,为什么跑不通
RAG的核心是向量数据库,它已经很好地解决了存储和召回,这一点没有问题。但在agent场景中,只依赖向量数据库提供的topK内容,会让检索到的信息没有全局观(完整目录阅读)、上下文缺失等问题。第一种思路,把向量库接口直接丢给Agent,让它学collection、topK、filter、metadata、返回结构这些非常专业的工程概念,这个思路的问题是消耗上下文又容易出错。第二种思路是把检索逻辑依旧固化在系统侧,Agent只当搬运工。这种方式在路径固定、问题明确的时候很好用,但一旦需要 Agent 自己决定什么时候查、查哪里、怎么缩小范围,就会显得不够灵活。第三种思路就是搞个大一统的search入口。这样结构简单了,但是也会把浏览、读取、精准定位全揉在一起,不符合 Agent 的实际使用方式。02
VKFS 是什么?
简单来说,VKFS 是面向 Agent 的知识操作层:底层接的是向量数据库,上层用文件系统的逻辑包装,让Agent用ls、cat、grep、search这些直觉化命令,就能操作知识。agent会在看目录之后,再找文件,再读内容,再做精确或语义搜索。其中,ls、find看目录(内存PathTree实现零延迟,不用频繁调接口),cat把向量库里的零散chunk拼成完整文件,grep做精准关键词过滤(先靠向量库粗筛,再内存正则细筛,不浪费资源),search做语义探索。整个过程中,Agent不需要理解任何向量库逻辑,凭文件操作直觉就能搞定全链路知识访问。在 VKFS 里,知识访问会被整理成这样一组命令:vkfs ls /docsvkfs cat /docs/readme.mdvkfs grep "authentication" /docsvkfs search "deployment guide" /doc…