arXiv cs.AI· Garima Agrawal, Prasun Das, Akshay Sarvade, Priyanka L, Minisha N, Sravani Joshna, Hemath Manivannan, Lavanya Korada, Sambhrit Pattanayak, Srashti Gupta, Siddu R, Prasad Kalyanasundaram·· 11 小时前AI 评分38
面向多智能体系统的企业级 RAG 重构：先组织再检索的知识层
Reimagining Enterprise RAG for Multi-Agent Systems: A Knowledge Layer That Organizes Before It Retrieves
AI 导读
研究团队提出一种面向企业多智能体系统的知识层，将本体放在 artifact 层级而非内容层级，通过自描述目录、稀疏元数据注册表和基于 artifact 的导航超图，让查询先解析到 artifact 标识符再约束向量检索，使跨服务的近似规则被结构性排除而非靠相似度排序。该知识层在不到一周内建成，已支持定位并解决 100+ 个生产缺陷，并将 35 次发布回归失败归因到具体规则和服务。
正文 · AI 翻译
作者：Garima Agrawal、Prasun Das、Akshay Sarvade、Priyanka L、Minisha N、Sravani Joshna、Hemath Manivannan、Lavanya Korada、Sambhrit Pattanayak、Srashti Gupta、Siddu R、Prasad Kalyanasundaram
摘要：企业正在软件开发生命周期中部署智能体 AI，它们需要的是其所操作系统的行为逻辑，而非利益相关方文档。一条由七个智能体组成的逆向工程流水线恢复了这一逻辑，将 18 个服务中的 241 个代码仓库处理为数千个描述范围、旅程、规则和验收标准的制品。恢复并不等于可用。offer、eligibility 和 activation 等实体以共享词汇跨服务反复出现，名称相关但操作上各不相同，因此一条端到端旅程会牵涉一千多条近乎相同的规则，而这些规则绝不能混为一谈。扁平向量检索会失败，它会以高相似度返回来自错误服务的同一条规则，且没有任何错误信号。内容级本体——传统的补救办法——并不存在，而将反复出现的实体的每一次出现都关联起来，其成本会超过整个项目，且无法撑过一个发布周期。我们将本体置于制品层面。在这个机器生成的语料库中，每个制品都保留其生产者、组件、服务、领域和类型，这些溯源信息在读取内容之前就完成了消歧。我们提出一个先组织后检索的知识层：一个自描述目录、一个稀疏元数据注册表，以及一个定义在制品而非抽取实体之上的导航超图。查询会解析为约束向量搜索的制品标识符，因此来自另一服务的竞争规则是缺席而非被排到后面，使消歧成为结构性的，而非统计性的。该知识层在一周内建成，并按约定接纳新服务，服务于 SDLC 智能体、开发者、质量工程师和分析师。它支持了对 100 多个生产缺陷的根因分析和解决，并经开发者验证，还将 35 次发布回归失败归因到具体的规则和服务。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32851 [cs.AI] |
| （或 arXiv:2610.32851v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32851 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Garima Agrawal [查看邮箱]
[v1]
2026 年 10 月 23 日星期五 16:21:56 UTC（546 KB）
来源：arXiv cs.AI · arxiv.org