信息检索类智能体是企业信息获取的“智能导航”，企业信息在检索时经常会遇到复杂查询需通过多次拆分或者条件组合进行检索，不仅效率低下，而且准确率低，同时检索结果相关性低、可解释性也差，更无法溯源。信息检索类智能体通过对基础检索需求以及高级推理检索需求的能力定义，突破传统信息检索，可以提升信息检索的准确度与相关性，同时通过与 AI 结合增强检索可解读性，大大提升了用户使用效率及体验。企业内部典型实用场景包含：客户数据检索、合同数据检索、订单信息检索等。

​​​​​​​2、需求分析

信息检索类智能体可以从基础检索需求以及高级推理需求两部分进行需求分析及梳理，最终实现突破传统信息检索范式、提升数据精准度与相关性、增强检索结果可读性以及提升用户使用效率及体验的最终目标。其中基础检索需求以及高级推理需求参见如下：

• 基础检索需求：
  • 用户需要检索哪些类型的信息？（如文档、数据报表、邮件、项目记录、API接口数据等）
  • 是否支持多条件组合查询？（如时间范围+部门+关键词）
  • 是否需要模糊匹配或语义搜索？（如“找上周的销售报告”而非精确文件名）
• 高级推理需求：
  • 是否需要处理复杂逻辑查询？（如“分析Q2华东区销售额下降的原因”）
  • 是否支持跨数据源关联检索？（如结合ERP销售数据与CRM客户反馈）
  • 是否需要自动生成分析报告或可视化图表？

​​​​​​​3、信息检索业务流程设计

信息检索类业务流程总体设计为线性方式，从用户输入问题，到意图识别及信息源定位，生成检索条件并进行信息检索，最终返回检索结果及解释。

​​​​​​​3.1、用户输入

用户输入信息检索要求，可以通过用户输入或者表单搜集等方式完成用户检索需求输入。

​​​​​​​3.2、意图识别及信息源确认

通过用户输入的检索需求，基于意图识别节点进行意图分类，意图分类完成后进行信息源定位，信息源定位可以知识库、数据库、API 等多种形式，如通过知识库查询产品说明，通过数据库查询订单状态数据，通过API 获取第三方系统数据等。

3.3、生成检索条件执行检索

基于信息源通过不通过的 AI 节点生成检索条件，如 Mysql 数据库查询，其中通过 AI 定义检索条件生成规范，生成 SQL，或者通过提示词定义知识库检索要求等，然后结合对应的检索工具完成信息检索。

​​​​​​​3.4、解释检索结果并返回

最后基于检索结果结合业务知识库背景，返回检索结果以及解释信息，业务知识库背景可通过知识库检索，检索结果输出方式以及添加解释信息，可以通过提示词进行定义，最终输出包含解释信息的检索结果。

4、信息检索智能体设计总结

信息检索智能体结合上述业务流程以及智能体构建的核心要素，简单总结如下图所示：

• 大模型：选择适合的基础大语言模型、推理模型、图片识别模型等；
• 用户输入：通过人机对话或者 API 调用输入用户提示词；
• 系统提示词：定义检索条件生成、检索示例参考以及解释要求等；
• 工具：通过调用函数或者MCP服务，实现第三方系统 API 调用获取信息源并执行检索；
• 知识：待检索知识库、业务背景信息知识库等；
• 数据：企业内部合同、订单、用户等核心数据；
• 记忆：通过开启历史会话次数，实现短期记忆，支持用户补充修改完善；
• 工作流：基于以上再次总结其工作流为意图识别信息源定位、生成信息检索条件、信息检索、解释检索结果并返回。