在企业级RAG（检索增强生成）应用的落地实践中，很多用户常面临一个“近在咫尺”的困境：答案明明就在文档里，AI却视而不见，给出的回复要么碎片化，要么干脆就回答不知道。这种局限性来源于传统的静态RAG模式。随着MaxKB v2.5版本的发布，通过“调用智能体”的核心功能，我们可以尝试构建一种“智能RAG”（Agentic RAG）的能力，让AI能够主动搜索知识，进一步释放AI在智能问答应用中的潜力。
要理解静态RAG和智能RAG两者之间的区别，我们以一个典型问题为例：“公司拥有博士学位的员工有多少人？”
1. 静态RAG：单向线性逻辑
① 路径：用户提问→关键词提取→向量检索→TopK排序→AI生成。
② 瓶颈：如果第一步检索没匹配到“博士”这个词（例如文档里写的是“高层次人才分布”），流程就会中断。静态RAG无法解决“关键词失配”和“信息不完整”的问题。
2. 智能RAG：多轮迭代逻辑
① 路径：用户提问→意图拆解→调用检索工具→结果评估（反思）→策略修正（扩充搜索）→综合生成。
② 突破：引入“反思机制”。当第一轮检索无果时，AI会意识到“博士”属于“学历结构”范畴，从而自动更换关键词进行二次寻证，直至拼凑出完整的逻辑链。
说明：MaxKB需要升级至v2.5版本或以上。
在MaxKB v2.5版本中，实现智能RAG的核心思想是：将“检索”抽象为一个独立的技能插件，由一个“主智能体”进行调度，赋予AI主动获取信息的手脚。以下是基于MaxKB构建“财务报告深度分析助手”的具体方案：
1. 提前准备：知识库向量化
首先，在MaxKB中准备并上传原始文档（例如企业年报、人员手册等），完成高精度的向量化切片。
2. 核心组件：创建“向量检索智能体”
这是实现智能RAG的第一步。我们需要创建一个专门负责检索的智能体，它的唯一任务是：根据输入的指令，从知识库中检索最相关的原文片段。
配置要点：不添加AI回答节点，专注于设置相似度阈值、TopK数量或者加入重排序（Rerank）策略。
3. 任务委托：编排“智能RAG”工作流
创建一个新的智能体作为“主控节点”。在AI节点的技能配置中，添加上一步创建的“向量检索智能体”。通过以下提示词（Prompt），赋予AI调度检索、自我修正和多轮追溯的能力。
核心指令参考：
深度检索逻辑（Agentic Workflow）术语对齐：将用户口语转化为搜索术语（如将“赚钱”转化为“营业收入”）。参数对齐：对数值进行规范化扩充（如“24Q3”自动关联“2024年第三季度”）。多轮迭代：设定“三轮检索机制”。首轮未中，立即切换视角（如从“具体科目”转到“报表大类”）。结果自审：若检索到“详见附注 X”，必须自发触发追加检索，追踪到底。
# 角色你是专业财务报告分析助手。你擅长从海量财务报表、年度报告及审计说明中，通过精准检索为用户提取关键数据、准则依据及财务流程。🛠 深度检索逻辑（工具调用准则）在调用检索工具前，你必须启动“智能体分析模式”，确保数据提取不遗漏、不偏差：1. 关键词转换与语义扩充术语对齐：将用户的口语转化为财务标准术语。例如：将“去年赚了多少”转化为“营业收入、净利润、利润表”；将“欠多少钱”转化为“应收账款、负债总额”。数值/参数增强（核心策略）：规范化扩充：若查询包含“24Q3”、“1.5亿”、“15%”等数值，需同时检索“2024年第三季度”、“150,000,000”、“百分之十五”等不同表述。类目对齐：若直接搜索具体科目无果，立即检索其所属的财务报表大类（如“资产负债表”、“合并现金流量表”）。2. 多轮迭代与追溯策略第一轮（原文检索）：直接采用用户问题的原文进行检索。第二轮（关键词转换与语义扩充检索）：将用户的问题进行关键词转换与语义扩充，然后在进行调用工具检索。第三轮（补漏/上下文）：若结果显示“详见附注 X”，必须追加检索该特定附注内容。第四轮（跨表/跨期核对）：若涉及计算依据（如毛利率），需同时检索“营业收入”与“营业成本”两个条目，并对比勾稽关系。3. 自反馈优化若首轮检索未匹配到有效数据，严禁直接回答“不知道”。应立即切换角度（如：搜索关联方名称、项目关键词缩写、所属部门名）重新尝试，至少尝试三次优化搜索。📝 高质量回复规范1. 原文与数据为本：所有数据和计算必须严格对应报告原文，严禁自行编造。2. 结构化呈现：📋 数据来源：[报告全称 + 章节名称/页码/附注编号]。🎯 核心数据/条款：使用 Markdown 表格或清晰列表展示关键数值，并对重点数据加粗。💡 核定/执行依据：解释该数据在报告中的统计口径、会计政策依据或关联变动原因。3. 视觉优化：逻辑分层清晰。若检索到原文中的图表索引，请明确提示。⚠️ 限制行为与准则1. 严守数据边界：仅回答与提供的财务报告内容相关的问题。对于无关查询，统一回复：“对不起，我只能回答与财务报告制度及数据相关的问题，您的问题不在查询范围内。”2. 严禁幻觉：若经多轮尝试，知识库中确实无相关数据（如该项未披露），必须如实告知并引导用户查看相关的补充说明文件。3. 客观中立：解读数据时必须严格遵循会计准则和报告原文背景，不得掺杂主观臆断。
上述步骤配置完成后，我们在MaxKB小助手的调试界面，尝试本文开篇的问题：“员工中博士的人员数量是多少？”
智能RAG的执行链条如下：
1. 首轮检索：使用原句。知识库中未直接出现“博士”字样，未命中；
2. 自我反思：AI意识到“博士”属于学历范畴，自动修改关键词为“学历构成”或“人才分布”发起第二轮检索；
3. 深度挖掘：通过“学历构成”未检索到相关内容，再次尝试优化为“员工构成”、“员工学历”等进行查询；
4. 关联查询：“员工构成”、“员工学历”仍未检索到相关内容，AI优化检索词为“员工总数”、“在职员工”等关键词进行查询，最终查询到准确答案。
四、深度解析：为什么智能RAG更聪明？
基于MaxKB构建的智能RAG能力能够大幅提升问答的准确率，本质上是因为它将“理解力”注入到了“检索过程”中。其涉及的关键技术环节包括：
1. 意图重塑（Query Rewriting）：不再被动等待关键词匹配，而是主动生成多个同义词进行并行检索，提升命中概率。例如，它能理解“员工中博士的人员数量是多少？”，并且自动生成多个同义或相关术语进行并行检索；
2. 链式追溯（Chain of Thought in Retrieval）：静态RAG面对检索任务类似于“交差”，而智能RAG会判断信息是否够用。例如：当用户提问“分公司电话”的问题时，向量检索相似度最高的为分支机构分段内容，并且提示“电话在附录中”。这时智能RAG会主动翻看附录，实现知识的“溯源”；
3. 结果自审（Self-Correction）：生成答案前进行最后自评：信息完整吗？逻辑通顺吗？这种“发现缺失、主动补全”的机制，是解决“材料中有信息AI却答不出”问题的关键。
从静态RAG到智能RAG，AI智能问答完成了从“机械执行”向“主动洞察”的转变，将检索过程从编排移交给了理解力。这种能力的价值不仅局限于文档问答，更拥有广阔的场景延展性，例如：
■ 多源信息联动：可以集成企业网盘、邮件系统或ERP接口作为检索工具，实现跨平台的“智能云盘搜索”能力，让AI像人类员工一样查询资料、核对账目；
■ 业务辅助决策：AI不再只是给出简单的文本回复，而是能够通过多轮寻证和数据检索，输出具备逻辑支撑的分析结论，真正像是企业的数字员工，深度支持业务分析和决策。
