RAG 中的混合搜索是什么？

向量搜索、BM25 和元数据的组合，用于捕获语义和确切事实。通过 regex 补充模式。

Agentic RAG 中的 agent-router 如何工作？

LLM 根据问题上下文从 4 个工具（元数据、精确匹配等）中选择，传递给生成器。

为什么按页面分块比层次分块更有效？

开箱即用的稳定性和 grounding；层次分块在没有语义分析的情况下会产生垃圾分块。

黑客马拉松中的 Agentic RAG：分块和搜索

智能代理RAG：为DIFC法院构建法律文档检索系统

‘智慧火花’团队参与了EORA AI 2026年智能法律RAG挑战赛，开发了两个RAG系统。目标是基于迪拜国际金融中心（DIFC）的300多份法院文件，精准回答各类问题。赛事奖金池高达3.2万美元，吸引超过300名参赛者，分为初赛（30份文档，100个问题）和决赛（300份文档，900个问题）两阶段。问题类型涵盖布尔判断、名称查询、日期、数字及自由文本，评分标准包括准确率、响应速度与令牌使用效率。

RAG中向量搜索的挑战

向量搜索在语义匹配方面表现优异（如‘合同终止’≈‘合同取消’），但在处理具体事实时力不从心，例如‘杰森诉克鲁格案的审理城市是哪里？’。随着文档规模扩大，这一问题愈发突出——小规模库中检索迅速，而大规模语料库则需复杂索引。

关键突破在于分块策略：将文本拆分为有意义的片段。简单按固定模式（如第1条、第2款）切分适用于结构严谨的文档，但对分块大小要求极高。过小的块导致向量信息模糊、缺乏上下文；过大则产生模糊、歧义的表示。

示例问题：

原文：‘听证会出席人员包括：参与者1、参与者2、参与者3。’
按列表标记分割 → 每个条目失去独立意义。

分块策略与混合检索

混合检索融合向量相似度、BM25算法与元数据。通过一个基于问答对训练的重排序模型（reranker），将前k×10的结果精炼至前k名，显著提升精度。

分块方法对比：

| 方法 | 描述 | 优势 | 劣势 |

|--------|----------|-------|--------|

团队采用B1与B2方案，因时间限制未尝试B3。

简洁架构方案

使用Qdrant + LlamaIndex进行向量存储，Unstructured解析PDF并保留原始结构。

分块方式：按页面+重叠。检索策略：混合检索 + 正则表达式匹配 + 元数据过滤。重排序器：启用。

优点：

快速部署。
性能稳定可预测。
接地性直接来自页面级分块。

缺点：

正则表达式易引发误报或漏检。
对文档结构依赖性强。
初期接地未利用元数据（后期修复）。

结果：

初赛阶段：准确率从0.9降至0.81（修复后），接地率从0.5升至0.58。
决赛阶段：准确率0.79，接地率0.63，平均响应速度达标。

智能代理RAG：路由与工具协同

分块方式：层级式。算法流程：

LLM分析样本文档结构；
识别重复模式；
递归合并小块至目标大小。

挑战：不同页面间模式不一致 → 生成噪声多、质量差的分块。

检索机制：代理路由将查询分发至四个工具（元数据、精确匹配、文档比对、混合检索），并根据案件编号或法律条文引用进行过滤。架构为：路由 → 工具（含重排序） → 代理生成器。

优点：

根据上下文精准选择工具。
过滤机制有效。

缺点：

分块不稳定。
产生大量噪声分块。
未充分测试（截止前出现API错误）。

初赛结果：准确率0.74，接地率0.6，响应较慢（2次LLM调用）。最终提交未完成。

核心经验总结

混合检索 + 重排序是超越语义相似性的关键保障。
在时间紧迫下，基于页面的分块比层级分块更简单且更稳定。
代理路由有价值，但需严格定义工具接口并充分测试。
基于元数据的接地是实现确定性响应的核心。
正则表达式可作为补充，但无法替代向量检索——使用时需谨慎，避免误触发。

总体评价：简洁方案表现稳定（准确率0.79，接地率0.63）。智能代理方案潜力可观，但分块与调试风险较高。实践证明：在复杂与可预测之间，应优先选择后者。

— Editorial Team

黑客马拉松中的 Agentic RAG：分块和搜索