SAG推理Agent

痛点：传统 RAG 的“单跳天花板”

在处理企业知识库、项目文档或历史记录时，传统 RAG 往往只能在向量空间中寻找与问题直接相关的片段。一旦问题需要跨越多篇文档进行关联——例如“收购了 B 公司的企业，其 CTO 后来加入了哪个项目”，传统检索往往在命中第一篇文档后就停止了。它缺乏一种“顺藤摸瓜”的能力，即从已找到的文档中发现原本不在用户问题中的新实体，并继续追踪。

核心能力：将检索视作实体网络

该技能引入了 SAG 式（SQL-Retrieval Augmented Generation）的多跳推理思维。它不依赖静态索引，而是让 Agent 实时、动态地在知识库中探索实体之间的连接路径。

• 实体聚光灯：从问题中提取命名实体，并按特异性（如专有名词 > 专业术语 > 通用概念）进行降序排列。
• 种子检索与传播：以高特异性实体为基础进行并行搜索。扫描种子文档，识别出未在原始问题中出现但具有连接价值的“新实体”。
• 多跳扩展与组装：利用新实体进行下一轮搜索，直到拼出完整的证据链或达到停止条件。最终，技能会输出一条包含来源文档、中间实体及确定性评估的推理路径。

适用边界与注意点

• 成本控制：每一次搜索都意味着 API 调用成本。建议将最大跳数控制在 4 跳以内，避免无意义的发散。
• 识别伪多跳：如果新发现的实体全是通用词，或者连续两跳都没有高特异性实体出现，说明当前问题并不具备多跳检索的价值，应及时止损。
• 证据分级：在最终答案中，需明确区分基于精确匹配的严格证据与基于语义推测的合理推断。