智能体搜索
智能体搜索是一种检索方法，其中 AI 智能体（通常由大型语言模型驱动）会主动规划并执行多步骤搜索流程，而不是仅仅进行单次静态查询。 该智能体会分解查询请求，决定咨询哪些数据源或工具，发起多次搜索，评估搜索结果，并循环优化其方法，直到收集到足够的信息来回答问题为止。
简而言之：传统搜索通常只检索一次；而智能体搜索则会不断进行推理、检索和重新检索，直到问题真正得到解答。
智能体搜索的运作机制
智能体搜索将单一的“输入查询，输出结果”步骤替换为由智能体控制的迭代循环：
- 意图理解：智能体会解读用户真正的需求是什么，包括隐含的约束条件以及字面查询背后的潜在目标。
- 规划与拆解：复杂的问题会被分解为可以独立研究的较小子问题或任务。
- 工具和数据源选择：智能体会选择搜索范围，可从网络搜索索引、向量数据库、内部知识库、结构化API 或这些资源的组合中进行选择。
- 迭代检索：智能体发起搜索（有时并行进行，有时依次进行），并读取结果。
- 评估：智能体会判断检索到的内容是否相关、充分且可靠，并识别其中的缺漏或矛盾之处。
- 优化：基于该判断，智能体会重新构建查询、深入挖掘，或从新角度进行探索，并根据需要重复这一循环。
- 综合：一旦收集到足够的信息，智能体会将其发现整合成一个连贯的答案，通常会注明来源。
它的显著特征是具有反思能力，即智能体能够识别出答案是否不完整或可信度较低，并决定在返回答案之前再次进行搜索。
智能体搜索对比关键词和语义搜索
- 关键词（词汇）搜索将查询中的字面术语与文档进行匹配，通常不涉及明确的多步规划循环。
- 语义搜索利用嵌入向量来匹配语义而非精确词汇，从而返回最相似的段落。 这通常作为单次检索过程来实现。
- 标准检索增强生成 (RAG) 通常只检索一次相关上下文并将其输入大型语言模型 (LLM) 以生成答案，尽管也存在迭代式变体。
- 智能体搜索在这些技术的基础上增加了自主性和迭代性。 智能体虽然可能会使用关键词搜索或语义搜索作为工具，但它会自行决定搜索多少次、接下来搜索什么以及何时结束搜索。
智能体搜索与智能体 RAG 密切相关；两者的区别主要在于侧重点不同。 智能体搜索侧重于自主的多步检索行为，而智能体 RAG 则涵盖了将该行为与答案生成相结合的完整流程。
智能体搜索的应用场景
- AI 问答引擎和“深度研究”工具：在回答问题前综合多方来源的信息。
- 企业知识助手：跨文档、维基、工单系统和数据库进行搜索，以解答员工的问题。
- 客户支持专员：在多个系统中查询政策、账户详情和相关文档，以解决问题。
- 编码助手：在建议修改之前先搜索代码库、其依赖项和文档，以了解上下文。
- 专项研究：涉及法律、医学和金融分析等领域的流程，在这些领域中，高质量的答案往往有赖于对多个权威信息源的综合与协调。
当问题十分复杂、涉及多个信息源或无法仅凭单篇文档回答时——即单次检索往往难以奏效的情形下——智能体搜索的价值最为显著。
相关术语
检索增强生成 (RAG)、智能体 RAG、语义搜索、向量数据库、 嵌入、查询分解、工具使用、大型语言模型智能体。