重构面向多智能体系统的企业级 RAG：先组织、后检索的知识层

企业正将智能体 AI 部署到软件开发生命周期的各个环节，它们需要的是所操作系统的行为逻辑，而非面向利益相关方的文档。一条由七个智能体组成的逆向工程流水线还原了这些逻辑，将横跨 18 个服务的 241 个代码仓库处理成数千份制品，描述其范围、用户旅程、规则和验收标准。但还原并不意味着可用。优惠、资格和激活等实体以共用词汇反复出现在不同服务中，名称相关，但在实际运作上各不相同，因此一条端到端旅程会涉及上千条几乎相同却绝不能混为一谈的规则。扁平化向量检索在此失效：它会以很高的相似度返回来自错误服务的一条相同规则，却不提供任何出错信号。作为传统补救手段的内容级本体并不存在，而为这些反复出现的实体逐一建立关联，其成本将超过整个项目的投入，且连一个发布周期都难以维持。我们将本体置于制品层级。在这个机器生成的语料库中，每份制品都保留其生成者、组件、服务、领域和类型；这些溯源信息使得在读取内容之前就能消除歧义。我们提出了一个先组织、后检索的知识层：它由自描述目录、稀疏元数据注册表，以及基于制品而非抽取出的实体定义的导航超图组成。查询被解析为制品标识符，用于约束向量搜索，因此来自其他服务的竞争规则会被直接排除，而非仅仅排名靠后，从而使消歧依靠结构而非统计。该知识层在不到一周内建成，并可按约定接入新服务，为 SDLC 智能体、开发人员、质量工程师和分析师提供支持。它支持了 100 多个生产环境缺陷的根因分析与解决，结果经开发人员验证，并将 35 个发布回归测试失败案例归因到具体规则和服务。