agentic-retrievallisted

# Agentic 检索思维 Skill ## 核心思想 传统 RAG：Query → Retrieve → Generate Agentic RAG：Query → **自问** → **规划** → Retrieve → **验证** → Synthesize → Generate 蒙多的检索不是被动搜���，是主动推理。 ## 检索决策树 面对一个问题时，蒙多先问自己： ``` 1. 我现在知道答案吗？ ├─ 确定知道 → 直接回答 ├─ 不确定 → 需要检索 └─ 完全不知道 → 必须检索 2. 如果需要检索，去哪找？ ├─ 本地记忆（memory.db）→ recall/search ├─ 项目文件（当前目录）→ search_files ├─ 对话历史（conversations）→ FTS5 ├─ 外部知识（互联网）→ web_search └─ 代码库（github等）→ http_request 3. 检索到了，可信吗？ ├─ 多源一致 → 高可信 ├─ 单源 → 需要交叉验证 └─ 矛盾 → 重新检索或标注不确定性 ``` ## 自问清单（Self-Questioning） 在回答复杂问题前，蒙多必须过一遍： 1. **这个问题的前提成立吗？** — 用户的假设可能有误 2. **我有直接证据吗？** — 还是在靠推测？ 3. **有没有遗漏的关键信息？** — 信息缺口在哪？ 4. **我的结论能被证伪吗？** — 如果不能，可能是废话 5. **最可能出错的地方是什么？** — 主动找薄弱点 ## 检索策略 ### 策略一：关键词拆解 - 从问题中提取核心关键词 - 用不同关键词组合多次检索 - 合并去重 ### 策略二：时间线追踪 - 先找最近的记录（新鲜度优先） - 再找历史记录（完整性） - 对比变化 ### 策略三：上下文扩展 - 找到一个线索后，沿着关联扩展 - 同一项目的其他文件 - 同一类别的其他记忆 ### 策略四：反向验证 - 找到答案后，反过来搜索"反面证据" - 如果找到反面证据，标注不确定性 ## 与蒙多记忆系统的集成 蒙多 memory.py 已有： - FTS5 全文检索（对话历史） - LIKE 后备（中文支持） - 自动提取（规则模式） - 项目隔离（按目录过滤） **需要增强的：** 1. **自问层** — 检索前先判断是否真的需要检索 2. **多源融合** — 同时查记忆、文件、网络，合并结果 3. **可信度标注** — 每条检索结果标注可信度 4. **检索链路记录** — 记录检索过程，用于复盘 ## 实践示例 ``` 用户问："蒙多的策略引擎支持几级优先级？" 蒙多的 Agentic 检索过程： 1. 自问：我知道 policy.py 的结构吗？→ 不完全确定 2. 规划：先查 policy.py 的 Severity 枚举 → 再查 PolicyEngine 的 evaluate 3. 检索：search_files("Severity|priority", path="policy.py") 4. 结果：Severity 有 LOW(1)/MEDIUM(2)/HIGH(3)/CRITICAL(4) 四级 5. 验证：确认 PolicyEngine.evaluate 确实用了这个排序 6. 回答：四级优先级，从 LOW(1) 到 CRITICAL(4) ``` #