benchen4395/alpha_agentic_search

解决的问题

Alpha Agentic Search (AAS) 解决了传统AI搜索代理中的不稳定、高延迟和缺乏持久性问题。它旨在通过实现结构化的多代理管道和分层记忆系统，创造类似Perplexity的搜索体验，使系统“使用越多越强大”，同时避免纯粹研究导向、高延迟自我进化代理的缺陷。

工作原理

系统遵循经典的 Route → Rewrite → Retrieve → Verify → Summary 管道：

1. 路由：路由器确定查询是否可由专用工具（例如天气、GitHub、arXiv）处理，还是需要检索管道。
2. 查询重写：在检索之前，查询被重写以包含时间和位置上下文。
3. 分层RAG（L1–L5）：系统并行跨五个层检索信息：
   • L1（问答缓存）：用于毫秒级响应的高频问答。
   • L2（常识）：基于Wikipedia的向量索引，用于一般知识。
   • L3（历史）：过去成功答案的增量FAISS索引，以捕捉用户偏好。
   • L4（网络）：通过Tavily或Serper等提供商进行实时网络搜索。
   • L5（知识图谱）：基于Wikidata的结构化事实，用于多跳查询。
4. 融合与校准：使用倒数排名融合（RRF）合并结果，并通过Platt缩放校准为统一的置信度分数。它使用“基于配额”的融合，确保单个查询中的多个实体都被表示。
5. 摘要与归因：LLM生成带引用的最终答案，然后验证引用以防止“引用幻觉”。

适用人群

• AI搜索初学者：希望从稳定、文档完善的框架开始的人。
• AI工程师：希望实现具有延迟治理和安全防护的生产级搜索代理的开发人员。
• AI搜索架构师：对分层记忆RAG和知识图谱中的实体消歧感兴趣的专业人士。

亮点

• 5层记忆栈：结合缓存、Wikipedia、用户历史、实时网络和知识图谱，实现全面检索。
• 置信度校准：将多样化的评分指标（余弦、排名、混合）映射到统一的相关性概率。
• 延迟治理：实现层特定预算和“软超时”，确保前端响应时间有上限。
• 提示注入保护：三层防御（清理、XML标记和系统提示防护），保护不受信任的网络内容。
• 实体消歧：使用流行度（入度）和上下文信号的组合来区分同名实体。
• 自我改进：异步将成功答案归档到L1和L3，以加速未来相同或相似的查询。