99% 的公司都用错了 RAG！EAG-RAG 如何让你的 AI 准确率暴涨 300%？

大语言模型（LLM）的核心局限性——知识时效性、“幻觉”（hallucination）问题，以及难以访问私有或领域特定数据——催生了检索增强生成（RAG）技术的诞生。

瓦罗兰特顶级C位

847人浏览 · 2026-01-10 10:56:14

瓦罗兰特顶级C位 · 2026-01-10 10:56:14 发布

大语言模型（LLM）的核心局限性——知识时效性、“幻觉”（hallucination）问题，以及难以访问私有或领域特定数据——催生了 检索增强生成（RAG） 技术的诞生。如今，随着 智能体（Agentic） 范式的引入，RAG 技术正迈向一个更高级、更自主的阶段：先进的智能体增强检索增强生成（EAG-RAG）。

EAG-RAG 不仅仅是简单的检索与生成叠加，它构建了一个闭环、自优化的端到端工作流程，将文档处理、智能查询理解、多策略检索和质量保障机制整合于一体，是实现企业级知识问答系统的关键技术。

深度知识工程

EAG-RAG 的性能基础在于其对知识源的深度处理和结构化，这远超传统 RAG 简单的文本切分。

1. 高级内容提取与表格感知富集

系统从诸如 SharePoint 等企业内容管理系统提取非结构化和结构化数据。在这个环节，一个大型 LLM（LLM (large)）被用作内容富集智能体：

结构化识别： LLM 不仅识别文本，还能执行表格感知富集（Table-aware enrichment）。这意味着它能够解析复杂的表格、图表和嵌套列表，理解数据间的关系，而不是将表格视为普通文本行。
元数据注入： 它通过分析内容语义，添加高质量的自定义元数据属性（Custom Metadata Attributes），例如文档类型、主题标签、创建日期、访问权限等。这些元数据是后续精准过滤检索的基础。

2. 智能切块与离线存储

表格感知切块（Table-aware chunking）： 传统的 RAG 依赖固定大小的切块，经常导致表格数据被切断，上下文丢失。EAG-RAG 的智能切块确保了关键信息（如表格的行、列标题及其内容）被完整地保留在一个知识块中，极大提高了信息的原子性和可检索性。
向量与特征存储： 增强后的信息块通过嵌入模型（Embed. Model）转化为向量，存入向量存储（Vector Store）；同时，结构化特征和元数据存入特征存储（Feature Store）。这两个存储共同构成了离线存储（Offline Store），是后续所有检索的基础。

预处理与检索

在用户发出查询（Query）后，EAG-RAG 引入了由小型 LLM 驱动的 “预处理（Pre-Process）”智能体，这是其智能体增强（Agentic）特性的核心体现。

1. 双重 LLM 智能体优化

查询优化器（Query Optimizer）： 一个小型 LLM 专注于理解用户查询的深层意图和隐含前提。它能够将模糊、口语化的查询（例如：“上次那个项目的预算是多少？”）重写为结构化、针对性强的查询（例如：“检索关于‘2024年第三季度市场推广项目’的财务预算数据”）。
来源识别与过滤器（Source Identifier）： 另一个小型 LLM 负责识别查询中的关键约束和领域术语。它生成处理后的查询和元数据过滤器（Processed queries, metadata filters）。例如，如果查询涉及“合规文件”，它会生成一个过滤器，只针对“文档类型=法规”的知识块进行检索。

2. 混合检索策略

预处理后的请求进入检索过程（Retrieval Process），采用强大的混合检索机制：

BM25-检索器： 基于稀疏向量的关键词匹配，擅长捕获字面匹配的高相关性文档。
嵌入模型向量搜索： 基于稠密向量的语义匹配，擅长捕获概念和语义相似度。
通过结合这两种方法，系统能最大限度地减少**召回不足（low recall）**的问题，确保获取到最全面、最相关的 检索到的知识块（Retrieved chunks）。

内容生成与优化

检索到的知识块和优化后的查询进入答案生成模块，同样由 LLM 智能体主导。

1. 智能答案生成

答案生成器（LLM (large) Answer Generator）： 基于**提示配置（Prompt configs）**和检索到的上下文，一个大型 LLM 生成初始的答案。这一步侧重于内容的丰富性和对信息的整合。
后处理器（LLM (small) Post-processor）： 这是一个关键的质量控制环节。小型 LLM 作为后处理器，专注于精炼、校验和格式化答案。它可以执行的任务包括：

事实核查：交叉比对答案和检索到的知识块，减少幻觉。
去冗余：删除重复信息和过渡性语句。
格式优化：确保答案符合用户终端（如 Teams）的显示习惯。

2. 用户交互与反馈

最终答案通过 Teams 等协同工具返回给用户。用户的提问和系统的回答（Query and Answer）作为重要的**后生产指标（Post-production Metrics）**数据，进入下一步的自优化环节。

闭环评估与持续改进

EAG-RAG 区别于传统 RAG 的最大特征是其内置的自评估和自修正机制，这使得系统可以持续演进，无需频繁人工干预。

黄金数据与评估基准（Golden text data）： 预先定义的高质量问答对，用于提供评估的客观标准。
LLM 作为评判者（LLM as-judge Eval）： 这是一个尖端的评估方法。一个专用的 LLM 被训练来模拟人类评估者，基于“黄金数据”对系统的批处理输出（Batch Exec）进行全面评估。它能够评判答案的以下维度：