query_optimizer_agent_plan

Query Optimizer Agent 建设规划

1. 简介

Query Optimizer Agent 是一个专门用于在 RAG (Retrieval-Augmented Generation) 流程中优化用户查询的智能体。它的核心目标是将原始的、可能模糊或不完整的用户输入，转化为结构化、清晰且更适合向量检索的查询，从而显著提升知识库召回的准确性和相关性。

2. Agent 目标与职责

• 提升检索准确性: 通过查询重写、扩展和分解，生成高质量的检索指令。
• 增强语义理解: 理解用户真实意图，处理复杂的、多跳的或隐含的查询。
• 动态适应: 根据查询的不确定性和上下文，决定是否以及如何触发检索。
• 结构化转换: 在需要时将自然语言查询转换为结构化查询语言（如 SQL, Cypher）。
• 反馈优化: 利用初步检索结果迭代式地优化查询。

3. 架构设计

Query Optimizer Agent 将作为 AgenticX 框架中的一个核心组件，嵌入在用户查询和知识库检索之间。

graph TD
    A[用户原始查询] --> B(Query Optimizer Agent);
    B --> C{优化策略选择};
    C -->|查询重写| D1[Query Rewriting Tool];
    C -->|查询扩展| D2[Query Expansion Tool];
    C -->|查询分解| D3[Query Decomposition Tool];
    C -->|结构化转换| D4[Structured Query Tool];

    D1 --> E(优化后的查询);
    D2 --> E;
    D3 --> E;
    D4 --> E;

    E --> F[知识库检索模块];
    F --> G[LLM 生成答案];

4. 核心能力与工具 (Tools)

为了实现上述目标，Query Optimizer Agent 将配备一系列专用工具，这些工具将作为 agenticx.tools 的一部分被实现。

4.1. query_rewriting_tool

• 功能: 修正和重构查询。
• 子功能:
  • contextual_rewrite: 结合对话历史，将 "它怎么样了？" 这样的模糊问题重写为 "XX产品2024年的定价方案"。
  • hyde_generate: (Hypothetical Document Embeddings) - 根据原始查询生成一个假设性的答案文档，并使用该文档的向量进行检索。
  • fix_spelling_grammar: 自动进行拼写和语法纠正。

4.2. query_expansion_tool

• 功能: 扩展查询的语义边界，提高召回率。
• 子功能:
  • expand_with_synonyms: 利用词向量或同义词词典（如 WordNet）为查询增加同义词或近义词。
  • generate_multiple_queries: 使用 LLM 从单一问题生成多个不同角度的相关问题，进行多路检索。
  • add_term_weights: 识别并增加查询中关键术语的权重。

4.3. query_decomposition_tool

• 功能: 将复杂问题分解为多个可独立检索的原子查询。
• 子功能:
  • decompose_multi_hop_question: 将 "为什么健康饮食后仍感觉疲劳？是否应尝试生酮饮食？" 分解为多个子问题。
  • route_sub_queries: (未来规划) 将不同的子查询路由到最合适的数据源（例如，一个子查询发往向量数据库，另一个发往 SQL 数据库）。

4.4. adaptive_retrieval_tool

• 功能: 智能判断何时需要触发外部知识检索。
• 子功能:
  • check_uncertainty: 当 Agent 对内部知识的回答置信度较低时，触发此工具进行外部检索。
  • analyze_semantic_importance: 识别查询中需要通过检索来补充信息的关键部分。

4.5. structured_query_tool