Ref2Graph
开源工具选型评估 8 大核心组件
上下文开销优化率 60% ~ 95% ↓
图拓扑检索时延 ≤ 5 ms (2-hop)
生产端到端完成率目标 ≥ 92%
核心结论与痛点分析

Skill、Reference 与 Script 的本质解耦与 RAG 局限

在构建基于大模型(LLM Agent / Agentic Workflow)的企业级知识库时,必须区分程序性知识(Know-how)与陈述性知识(Know-what / Know-why)。传统 RAG 或将所有业务塞入“单一超级 Skill”会导致控制流交错、意图路由失效与上下文污染。本中台采用“以 Skill 为调度骨架、以 Reference 为上下文字典、以 Script 为物理内核”的异构拓扑解耦模式。

三层架构职责定位表

维度 Skill (程序性技能 / SOP) Reference (静态规约 / 语境) Script (确定性内核)
知识类型 程序性知识 (Know-how) 陈述性知识 (Know-what / why) 确定性计算 (Exact Logic)
核心载体 动态控制流、有向状态机、准入断言 字典表、阈值矩阵、合规清单、金样/反模式 Python/Shell 脚本、正则、哈希校验、AST 算子
动作属性 具备 副作用 (Side-effects),可编排 API 只读 (Read-Only),无状态,提示词补丁 纯函数、幂等计算、无模型概率干扰
执行逻辑 明确入口、RFC 2119 步骤、失败重试与回退 仅在特定分支被懒加载注入 物理沙箱执行,仅将 stdout/stderr 回填

传统 RAG 的三大结构性缺陷

切块+向量召回
  • ✖ 执行时序拓扑断裂: 按固定 Token 盲目切块,破坏长 SOP 流程严密性,导致 Agent 遗漏前置系统权限校验断言(Preconditions),引发越权或逆向执行。
  • ✖ 统计概率推理侵蚀确定性逻辑: 在提示词内依靠 LLM 硬算税率、风控比对或浮点数计算,极易诱发数值幻觉与外部 API 脏写。
  • ✖ 注意力稀释与全局上下文污染: 全量堆叠系统手册导致“中间失落(Lost in the Middle)”,段落中间的核心反模式约束(Anti-patterns)被概率性忽略。

单一“超级 Skill”模式的物理崩溃

全量挂载陷阱
  • ✖ 意图发现与路由彻底失效: 依赖 Frontmatter 路由。单一 Skill 描述必须涵盖全业务,模糊度极高导致 Level 1 路由命中率暴跌。
  • ✖ 控制流交错与注意力污染: 财务与运维逻辑交织在一起,触发模型跨业务借用逻辑(如执行财务核销时错用了运维回退策略)。
  • ✖ 拓扑冲突与并发锁瘫痪: “账户注销”与“资金划转”必须互斥,单一 Skill 缺少图实体,无法做亚毫秒级冲突排查(`CONFLICTS_WITH`)。