3.4 Agentic RAG 与 Anthropic 上下文检索突破

Query → Retrieve → Rerank → Generate

【文档背景：某科技集团 2024 年度财报，章节：第四章·消费者业务与智能硬件部门运营分析。】
在该业务线中，第三季度的运营利润率环比提升了 2.4%，主要归因于供应链管理优化和海外直销比例的提高。

// agentic-rag-engine.ts
import { OpenAI } from 'openai';
 
interface ChunkWithContext {
  id: string;
  rawContent: string;
  contextSummary: string;
  fullIndexedText: string;
  vector?: number[];
}
 
export class AgenticRAGRetriever {
  private client = new OpenAI();
 
  /**
   * 离线预处理：实现 Anthropic 上下文增强分块
   */
  async generateContextualChunk(fullDoc: string, rawChunk: string): Promise<string> {
    const prompt = `
<document>
${fullDoc}
</document>
 
以下是从上述文档中提取的一个切片内容：
<chunk>
${rawChunk}
</chunk>
 
请用简明扼要的 1~2 句话（50字以内），概括该切片在整篇文档中的背景、所属主体及核心上下文。
切勿展开多余解释，直接输出背景描述即可。
`;
 
    const response = await this.client.chat.completions.create({
      model: 'gpt-4o-mini',
      messages: [{ role: 'user', content: prompt }],
      temperature: 0,
    });
 
    const contextPrefix = response.choices[0].message.content?.trim() || '';
    return `[背景: ${contextPrefix}]\n${rawChunk}`;
  }
 
  /**
   * 在线检索反思循环 (Self-Reflection RAG Loop)
   */
  async retrieveWithCritique(query: string, maxRetries = 2): Promise<string[]> {
    let currentQuery = query;
    let attempts = 0;
 
    while (attempts <= maxRetries) {
      console.log(`[Agentic RAG] 执行检索 (第 ${attempts + 1} 次尝试), Query: "${currentQuery}"`);
      
      // 1. 执行混合召回 + 重排 (Mock)
      const candidateDocs = await this.executeHybridSearch(currentQuery);
 
      // 2. 评判节点 (Critic Node)：评估召回结果相关性
      const evaluation = await this.evaluateRelevance(query, candidateDocs);
 
      if (evaluation.isSatisfactory || attempts === maxRetries) {
        console.log(`[Agentic RAG] 评估通过或已达最大尝试次数，生成最终结果`);
        return candidateDocs;
      }
 
      // 3. 产生修正意见并重写查询
      console.warn(`[Agentic RAG] 召回不足: ${evaluation.critique}，正在重写查询...`);
      currentQuery = evaluation.refinedQuery || currentQuery;
      attempts++;
    }
 
    return [];
  }
 
  private async evaluateRelevance(originalQuery: string, docs: string[]) {
    const prompt = `
用户初始问题: "${originalQuery}"
检索到的文档候选:
${docs.map((d, i) => `[${i + 1}] ${d}`).join('\n')}
 
请作为严格的质检 Agent，判断这些候选文档是否足以回答用户问题？
请以 JSON 格式输出：
{
  "isSatisfactory": boolean,
  "critique": "如果不充分，说明缺少什么关键信息",
  "refinedQuery": "针对缺失信息，重写一个更精准的检索词"
}
`;
    const res = await this.client.chat.completions.create({
      model: 'gpt-4o-mini',
      response_format: { type: 'json_object' },
      messages: [{ role: 'user', content: prompt }],
    });
 
    return JSON.parse(res.choices[0].message.content || '{}');
  }
 
  private async executeHybridSearch(q: string): Promise<string[]> {
    // 模拟混合检索与 Rerank 过程
    return [`关于 "${q}" 的检索证据切片 A`, `关于 "${q}" 的检索证据切片 B`];
  }
}