迈向可靠的垂类Agent：检索增强、中场操作化与双线规则建构

摘要：当前基于大语言模型的 AI Agent 面临一项结构性困境——检索增强生成（RAG）解决了"知识从哪来"的问题，却未解决"知识如何转化为可执行规则"的问题。检索层与生成层之间的"中场"——知识操作化层——是当前工程实践中最被低估的短板，亦是垂类 Agent 差异化竞争的核心战场。本文提出一套以中场操作化为中枢的 Agent 设计方法论，核心贡献包括：（1）将 RAG 重新定位为"受约束的数据库"而非"智能检索系统"——检索层容许过度召回，领域约束由生成层的连续激活梯度蒙版完成；（2）提出双线规则建构模型——基础线（学科共识、物质可验证）与个性线（个人经验编码、域内有效）——两条线通过同一蒙版机制协同运作；（3）在生成层之前嵌入规则操作化层，将检索到的原始知识转化为结构化的约束规则后方可参与推理；（4）建立请求灌注机制作为物理还原失败的系统出口。本文通过理论与架构推导，论证该框架如何在保持认知诚实的条件下，实现可审计、可追溯、可个性化的垂类 Agent 设计。

关键词：垂类 Agent；检索增强生成；中场操作化；双线规则建构；激活梯度蒙版；物理还原验证

1 引言

1.1 RAG 的成功与天花板

检索增强生成（Retrieval-Augmented Generation, RAG）是当前 AI Agent 工程实践中应用最广泛的技术范式。其核心逻辑简洁而有效：将用户查询转化为向量检索，从外部知识库中召回相关文档片段，将其注入 LLM 的上下文窗口，再基于增强后的上下文生成回答。这一范式成功解决了 LLM 的两项根本局限——知识截止日期与私有数据不可达，使 Agent 能够基于真实、可溯源的信息产出内容。

然而，RAG 的成功恰恰遮蔽了它的天花板。RAG 本质上是一个数据供给层：它能告诉模型"存在哪些相关信息"，但无法告诉模型"如何运用这些信息做出可被信任的判断"。当一家金融机构的合规 Agent 检索到数百条相关监管条文时，RAG 完成了它的职责——但这离"Agent 做出了正确的合规判断"还有巨大的差距。这个差距不是检索精度的问题，是知识操作化的问题。

具体而言，RAG 范式面临三项结构性局限：

（1）检索无域界。向量检索是领域盲的——一个语义相似性查询会跨域召回结果。"风险"可能匹配到金融风险、医疗风险、环境风险，而检索层无从区分这些分属不同学科域的信息。

（2）知识无法自动规则化。检索回来的信息是原始文本片段，不是结构化的推理规则。一条金融监管条文描述的是"什么情况适用该条款"，但从文本到 Agent 实际执行的条件判断逻辑（if-then 规则），中间需要一次翻译。目前这个翻译完全依赖 LLM 的涌现能力——模型在上下文中"理解"了条文，然后"推理"——但这个过程不可审计、不可追溯、不可校准。

（3）行为规范缺失。RAG 增强了知识，但未增强行为约束。LLM 在训练过程中学到的最强行为准则是"生成符合人类偏好的输出"——而这个偏好被分布到全球众包标注者的均值上。对于垂类场景（法律、金融、医疗），均值偏好不仅不够，而且可能是错的。Agent 可以检索到正确的法条，但仍然可能因为"让回答听起来更全面"的行为习惯而引用不存在的判例——这不是知识缺失，是缺乏领域行为规范约束了模型的行为策略。

1.2 中场缺位：当前范式的结构性空洞

上述三项局限指向同一个结构性问题：检索层与生成层之间存在一个尚未被工程化的层次。我们称之为操作化层（Operationalization Layer），或更形象地——中场（Midfield）。

当前主流的"RAG + LLM"架构在逻辑上是两步：检索 → 生成。本文主张这一架构在认知层面是三步：检索 → 操作化 → 生成。中场的存在不是可选的优化，而是可靠 Agent 的必要条件——因为 LLM 本身无法承担操作化的职责。LLM 可以"理解"知识，但无法"为自己设定领域行为边界"——这需要外部架构来定义。

1.3 本文的贡献

本文的核心主张是：垂类 Agent 的可靠性不取决于检索层的精度或生成层的能力，而取决于中场的操作化质量。基于这一主张，本文提出一套以中场为中枢的 Agent 设计框架，具体贡献包括：

（1）RAG 的重新定位：将 RAG 从"智能检索系统"降级为"受约束的数据库"——检索层容许过度召回以提高信号覆盖，领域约束由生成层的连续激活梯度蒙版承担。检索不怕污染，生成不乱用。

（2）双线规则建构模型：提出基础线（Foundation Line）与个性线（Individuality Line）的二分架构。基础线编码学科共识（跨从业者一致、物质可验证），个性线编码个人实践经验（域内有效、随从业者不同而异）。两条线通过同一蒙版机制协同运作。

（3）中场操作化层的工程设计：在检索与生成之间嵌入规则提取、优先级编排、蒙版激活和冲突裁决四个子模块，将原始知识转化为结构化约束后方可参与推理。

（4）请求灌注机制：当物理还原验证失败且系统内部无法解决时，触发向外的知识请求——系统承认认知边界而非强行输出。这是认知诚实在架构层的表达。

2 认识论基础：LLM 能力的再审视

2.1 规则操作引擎 vs 概率猜测器

“LLM 是概率模型"这一技术事实常被转化为一种认知误导——暗示 LLM 的所有输出本质上都是"猜测”，因此不可靠是固有属性，不可消除。本文认为这一论述混淆了训练机制与能力本质。

训练机制确实是概率性的：LLM 通过最大似然估计优化参数，目标是最大化训练数据中下一个 token 的条件概率。但这与"模型学到的能力本质是概率性的"是两回事。

考虑一个简单的实验。向 LLM 输入："从 0 到 100 之间，选择一个数字。它是 9 和 11 的公约数。这个数字是多少？“在 temperature = 0 的条件下，模型输出"1”。现在改变数字："它是 12 和 18 的公约数。“模型输出"2, 3, 6”（或仅"6"取决于具体 prompt）。这些输出不是从训练语料中"回忆"出来的——训练数据中极大概率不存在"9 和 11 的公约数是 1"的显式陈述。模型学会的不是具体的答案，而是执行"找公约数"这一算法的能力。

这一观察与近年机制可解释性研究的发现一致：LLM 内部确实形成了可识别的"计算电路"。训练结束时，模型的权重不是存储了一个"答案表"，而是组织成了一个隐式计算引擎——给定输入条件，执行操作，产出结果。

将 LLM 定性为"规则操作引擎"而非"概率猜测器"具有重要的认知后果：

（1）LLM 的输出不可靠不是因为它是概率的，而是因为它缺乏真实的条件输入和明确的操作边界。 概率性是训练机制，不是失败原因。真正的失败原因在于：信息输入可能是错的（未经检索验证），操作空间可能是乱的（缺乏领域蒙版约束），行为规范可能是偏的（经 RLHF 学来的通用偏好而非行业规范）。

（2）垂类 Agent 的工程目标不是"克服 LLM 的概率性"，而是"为规则操作引擎提供真实条件、划定操作边界、注入行为规范"。 这从根本上重新定义了 Agent 设计的工程任务。

2.2 幻觉的行为归因：规范不足，非知识不足

基于上述认识论立场，本文对幻觉现象提出一种不同于主流解释的归因。

主流归因将幻觉定位为知识不足：模型缺乏相关信息，因此在信息真空中"编造"答案。这个归因预设了"补知识就能止幻觉"的工程路径——RAG 正是这一路径的产物。但这个路径面临一个无法解释的矛盾：配备了 RAG 的 Agent 仍然会产生幻觉。它可以检索到真实的法条后，仍然在论证中引用不存在的判例。

本文提出一个替代归因：幻觉的本质不是知识不足，而是行为规范不足。 具体地说：LLM 在训练过程中学到了一个隐式行为准则——"引用支持性地材料"是增强论证说服力的有效策略。这个策略在大多数通用场景中确实是有效的行为。但在专业场景中，这个策略需要被一个更强的约束覆盖："引用必须可溯源且真实存在。“覆盖不是知识问题（模型不需要"知道更多”），而是行为优先级问题——"可溯源"这个约束必须被赋予高于"说服力"这个目标的优先级。

这一归因意味着：对抗幻觉，加 RAG 不够，必须加行为规范。 RAG 解决的是"让模型看到真实信息"；行为规范解决的是"让模型在处理真实信息的过程中遵守领域的可靠标准"。

2.3 两条线：基础线与个性线

在行为规范的来源上，本文区分两个性质完全不同的层次。

基础线（Foundation Line）：源于物质世界的客观约束和学科共同体的共识约定。基础线规则的特征是跨从业者一致——任何人面对同一客观约束，推导出的规则应该相同。典型的基础线规则包括：物理约束、数学约束、法律原则、安全约束。基础线规则的特征是可物质还原——其有效性可以被独立于文化、行业、个人偏好的客观手段验证。

个性线（Individuality Line）：源于个人的实践经验和对特定领域的观察归纳。个性线规则的特征是域内有效、随从业者不同而异。典型示例：

• 婚姻诉讼中，“同等条件下女孩判给女方的概率极高”——这不是法律条文，而是一个资深律师经手数百件案子后归纳的经验规则
• B2B SaaS 客户成功管理中，“联系人完全失联 + WAU 下降超过 30% + 零工单 = 客户已事实停止使用”——这来自客户成功总监的实战观察

个性线规则的验证方式不是物质还原（因为它们的有效性本身就依赖特定司法管辖区、特定行业阶段、特定人群特征），而是效果反馈——该规则指导的判断在历史案例中的准确率。

基础线和个性线的区分不是学术分类，而是工程需要。两者在 Agent 架构中享有不同的置信度权重、不同的冲突裁决优先级和不同的可移植性约束。

3 中场操作化层：架构设计

3.1 概览：三层架构中的中场

本文提出的 Agent 认知架构由三个功能层组成：

         ┌──────────────────────────────────┐
         │         检索层 (Retrieval)         │
         │  RAG 作为受约束的数据库              │
         │  容许过度召回 | 不负责域过滤          │
         └──────────────┬───────────────────┘
                        │ 原始知识 chunks
                        ▼
         ┌──────────────────────────────────┐
         │      操作化层 (Midfield)           │
         │  ┌─────────────────────────┐     │
         │  │  规则提取 (Rule Extraction) │    │
         │  ├─────────────────────────┤     │
         │  │  蒙版激活 (Mask Activation)  │    │
         │  ├─────────────────────────┤     │
         │  │  优先级编排 (Prioritization) │    │
         │  ├─────────────────────────┤     │
         │  │  冲突裁决 (Conflict Resolution)│   │
         │  └─────────────────────────┘     │
         └──────────────┬───────────────────┘
                        │ 结构化约束规则
                        ▼
         ┌──────────────────────────────────┐
         │         生成层 (Generation)         │
         │  蒙版约束下的规则推理                 │
         │  双路径生成 | 泄漏声明               │
         └──────────────────────────────────┘

3.2 双线规则建构

3.2.1 基础线建构

基础线规则来源于学科共同体的显式共识。建构基础线规则的过程是编码，而非学习——设计者（或领域专家）将本领域的核心约束以形式化规则的形式写入规则库。

基础线规则的形式定义：

F_i = (C_i, D_i, P_i, U_i)

其中：
  C_i：触发条件（condition）
  D_i：归属学科域（discipline domain）
  P_i：优先级（priority），不可覆盖 / 最高 / 高 / 中 / 低
  U_i：可覆盖性（overridability），布尔值

示例：

F_1 = (条件="决策涉及人身安全", 域=安全工程, 优先级=不可覆盖, 可覆盖性=否)
F_2 = (条件="法律推理中涉及基本权利", 域=宪法学, 优先级=不可覆盖, 可覆盖性=否)
F_3 = (条件="金融合规判断中涉及内幕交易嫌疑", 域=证券法, 优先级=最高, 可覆盖性=否)

基础线规则的"不可覆盖性"是该方法论的关键特征。当一条基础线规则被触发时，任何与之冲突的个性线规则或检索到的外部信息都必须让步。

3.2.2 个性线建构

个性线规则来源于个人的实践经验。建构个性线规则的过程是归纳——设计者（即从业者本人）将自己的实战观察转化为形式化规则。

个性线规则的形式定义：

I_j = (C_j, D_j, P_j, S_j, H_j)

其中：
  C_j：触发条件
  D_j：归属学科域
  P_j：优先级
  S_j：经验来源（source）
  H_j：历史准确率（historical accuracy）

示例：

I_1 = (条件="离婚诉讼 + 子女抚养权争议 + 子女为女孩 + 父母条件相当",
       域=婚姻法实务,
       优先级=高,
       来源="经手143件婚姻诉讼，其中涉及女孩抚养权的87件中79件判给女方",
       H=0.91)

I_2 = (条件="B2B SaaS + 联系人完全失联 + WAU下降>30% + 90天零工单 + 零NPS回应",
       域=客户成功管理,
       优先级=高,
       来源="过往6个季度中4个类似案例最终流失",
       H=0.67)

个性线规则的 H 字段（历史准确率） 是该设计的核心特征。H = 0.91 意味着"这条规则在 91% 的历史案例中有效"，H = 0.67 意味着"有效但不确定性较高"。H 随时间推移和案例积累动态更新，形成规则的自校准闭环。

3.3 蒙版激活梯度模型

设总学科域空间 D = {d₁, d₂, …, dₙ}。对每个 Agent 实例 A 和每项任务 T，中场操作化层计算一个激活梯度向量：

$$m_T(d_i) \in [-1, 1]$$

其中 m = 1 表示该域处于最高激活状态，m = 0 表示静默状态，m < 0 表示抑制状态。

与生成层的蒙版梯度不同，中场的激活梯度有一个独特功能：它同时约束检索层的检索范围（软约束）和生成层的推理范围（硬约束）。

"多面体"模型：由于 LLM 的参数知识是分布式的，无法在物理上完美隔离学科域，蒙版的实际效果不是一个精确的球（完美隔离），而是一个多面体——主激活域被高度聚焦，背景域处于半激活的模糊状态，静默域被尽力抑制。与不受约束的大模型相比，多面体仍然是一个巨大的信噪比提升。

3.4 规则优先级与冲突裁决

优先级排序遵循以下层级：

第 0 级（不可覆盖）：基础线规则，U_i = false
第 1 级（最高）：基础线规则，U_i = true + 基础线规则（可覆盖但优先级最高）
第 2 级（高）：个性线规则（H > 0.85）+ 基础线规则（普通优先级）
第 3 级（中）：个性线规则（0.6 < H ≤ 0.85）
第 4 级（低）：个性线规则（H ≤ 0.6）+ 未经验证的经验判断

当同一域内两条规则同时被触发且指向相反结论时：优先级高的胜出。同优先级时，基础线优先于个性线。两者属性相同时，触发置信度折扣——Agent 不选边，而是在输出中标注"存在冲突"并将双方论据一并呈现。

4 RAG 的重新定位

4.1 RAG 应该被降级

在中场操作化层的框架内，RAG 的角色需要被重新定义。本文建议对 RAG 进行一次明确的降级：将 RAG 从"智能检索系统"重新定位为"受约束的数据库"。

（1）检索层容许过度召回。 检索宁可多搜（高召回，容许噪音），生成严格不用（高精度，蒙版过滤）。

（2）检索结果不直接进入上下文。 检索回来的文档片段首先进入中场的规则提取模块——不是作为"要阅读的材料"，而是作为"要提取规则的数据源"。

（3）RAG 解决的是知识供给，不是行为约束。 幻觉的主要来源不是知识缺失（可以通过 RAG 补），而是行为规范不足（不能通过 RAG 补）。

4.2 检索与生成的协作边界

核心洞察：信息不丢，只丢噪音。

5 验证体系与请求灌注

5.1 物理还原验证的三层分级

L1——形式验证（默认所有输出）：检查输出格式合规性、结构化字段完整性、表面自相矛盾。通过则绿灯放行。

L2——采样物质还原（L1 不通过时触发）：抽取支撑核心论点的论据（30-50%），逐一追溯其事实基础。

L3——全量介入（L2 发现 falsified 时触发）：全量论据还原 + 监督 Agent + 上游/下游 Agent 联合诊断。

5.2 请求灌注：物理还原失败的系统出口

在传统验证框架中，物理还原失败触发的是回溯与修复。但有一类失败是系统内部无法修正的：当前体系的学科规则库中根本不存在所需的知识域。

本文提出**请求灌注（Request Perfusion）**机制来处理这类情况。其触发条件严格限定为：

（1）工作流拆解 Agent 识别出某个子任务需要特定学科域的知识；
（2）当前 Agent 实例的规则库中该域为空；
（3）扩展现有蒙版无法解决——因为不是激活不够，而是根本没有规则可激活；
（4）物理还原无法执行——因为缺乏判断所需事实是否成立的基线知识。

同时满足以上四个条件时，Agent 不是尝试硬推理，而是向外发出请求：

[请求灌注 | 域=反垄断法 | 子任务=判断客户A的定价策略是否构成掠夺性定价
 | 原因=当前规则库中反垄断法域为空，无法进行物理还原验证
 | 请求内容=该域的基础规则集 + 至少一个经验规则]

请求灌注与"人机协作"（Human-in-the-Loop）的区别在于：请求灌注是结构化的、可审计的、有明确触发条件的系统行为，而非模糊的"问一下人工"。请求包含了缺失域的具体名称、触发请求的任务上下文、以及需要注入的知识类型。

6 完整示例：婚姻家事 Agent 的全流程推演

本节构造一个婚姻家事法律咨询场景，完整演示上述框架的运作。Agent 的任务是：对三起离婚案件进行诉前评估，识别各案的关键争议点、预判法院倾向并给出策略建议。

6.1 场景与模拟数据

案件一：王某诉李某离婚纠纷

案件二：赵某诉陈某离婚纠纷

案件三：周某诉林某离婚纠纷

6.2 基础线规则建构

B-F01: {家暴 + 有报警记录或验伤报告} → {感情破裂成立，应准予离婚}
       [来源=民法典第1079条, 优先级=不可覆盖]

B-F03: {子女抚养权争议 + 一方存在家暴 + 施暴对象包含子女或子女目睹暴力}
       → {施暴方不宜获得抚养权，应优先判给非施暴方}
       [来源=民法典第1084条 + 未成年人保护法 + 反家庭暴力法, 优先级=不可覆盖]

B-F04: {一方隐藏/转移/变卖/毁损夫妻共同财产}
       → {对该方可以少分或者不分}
       [来源=民法典第1092条, 优先级=不可覆盖]

B-F05: {一方因抚育子女/照料老人/协助另一方工作等付出较多义务}
       → {有权向另一方请求补偿}
       [来源=民法典第1088条, 优先级=最高]

B-F07: {证据取得方式违反法律禁止性规定或侵害他人合法权益}
       → {该证据应予排除}
       [来源=民事诉讼法司法解释第106条, 优先级=最高]

6.3 个性线规则建构

I-F01: {子女抚养权争议 + 子女为女孩 + 年龄≤10岁 + 父母双方抚养条件相当}
       → {法院倾向于将女孩判给母亲}
       [优先级=高, H=0.82, 来源="经手87件涉及女孩抚养权的案件，其中71件判给母亲"]

I-F02: {一方月收入>另一方3倍 + 但该方存在酗酒/暴力等负面行为}
       → {收入优势被负面行为严重削弱}
       [优先级=高, H=0.92]

I-F04: {一方以自杀相威胁 + 威胁言论被微信记录固定 + 另一方坚决要求离婚}
       → {自杀威胁构成感情破裂的充分信号，法院倾向于判离}
       [优先级=高, H=0.80]

I-F05: {一方主张隐匿境外资产 + 另一方否认}
       → {境外资产查证难度极高，策略重心不应押在境外资产上}
       [优先级=高, H=0.25（查证成功率极低但策略价值高）]

6.4 检索与中场操作

检索层以"家庭暴力 + 子女抚养权 + 离婚损害赔偿"为查询条件，返回10条结果——涵盖婚姻法、刑法、发展心理学、保险业和神经医学五个域。返回了30%的噪音（保险产品信息、神经医学论文）。

中场的规则提取 + 蒙版门控自动过滤了噪音：

• 保险产品 → 规则提取阶段判定不满足"可操作性"标准，丢弃
• 神经医学论文 → 同上，丢弃
• 发展心理学论文 → 通过规则提取但蒙版门控静默（m=0.2 < θ_bg=0.3）

7条有效规则进入推理，0条噪音进入——"检索过度召回 + 生成蒙版过滤"策略验证成功。

6.5 请求灌注的触发

案件一的子女抚养权评估涉及"7岁女儿目睹家暴的心理影响程度"和"姐弟是否应该分开抚养"——这些问题超出婚姻家事 Agent 的现有规则库范围。发展心理学域规则库为空。

四条件全部满足 → 触发请求灌注：

[请求灌注 | 域=儿童发展心理学
 | 触发任务=案件一·子女抚养权评估
 | 具体问题=
   ① 7岁儿童目睹家暴并身体受伤后，典型心理影响的程度与持续时间
   ② 姐弟（7岁+4岁）在不同抚养环境中分别成长的利弊比较
 | 请求内容=儿童发展心理学域的基础规则 ≥3条]

系统将请求挂起，等待心理学专家注入规则。在等待期间，Agent 基于现有规则继续产出"不完整评估"——标注子女抚养权部分因请求灌注尚未完成而存在置信度折扣（CI=3/5 [待补]），但不阻塞案件的其余分析的产出。

6.6 完整输出

三案评估报告的完整输出（含规则触发链、置信度评分、策略建议）——此处省略详细表格，见完整版。

7 讨论

7.1 中场设计的成本与收益

对于低风险场景（闲聊客服、信息查询），中场的增量价值不值得其初始投入。对于高风险场景（法律判决辅助、金融合规审查、医疗诊断支持），中场的价值不是"更好"，而是"必须"——输出的可追溯性、判断的可审计性和错误的可定位性不是加分项，而是准入门槛。

中场的深度应与场景的风险等级匹配。

7.2 个性线规则的 H 衰减

个性线规则的 H 字段是其可审计性的核心。但 H 会随着时间衰减——一条基于 2018-2020 年数据建立的规则，在 2026 年的市场环境中可能已经失效。框架要求在 H 超过 12 个月未更新时自动附加"时效性警告"。

H 衰减机制的设计原则是：让规则自然过期，而非等待它被证伪。 一条危害性最大的规则不是 H=0.2 的规则（因为 H 低所以 Agent 不会重用它），而是 H=0.9 但已经过时的规则（因为 H 高所以 Agent 重用它，但它的数据基础早已不适用）。

7.3 局限性

（1）中场操作化层的自动化程度——当前重度依赖人工编码
（2）蒙版梯度的动态调整——长链推理中子任务的领域需求可能变化
（3）个性线规则的跨从业者可移植性验证
（4）大规模规则库的冲突爆炸——数千条规则共存时的可扩展性

8 结论

本文从当前 AI Agent 工程实践的核心困境出发——检索与生成之间的"中场"缺位——提出了一套以操作化层为中枢的垂类 Agent 设计方法论。

该方法论的核心贡献可归纳为三个位移：

位移一：从"检索增强"到"规则建构"。 RAG 解决的是"能找到什么"，规则建构解决的是"能信什么、能用什么"。

位移二：从"统一智能"到"双线架构"。 基础线编码学科共识（跨从业者一致、不可覆盖），个性线编码个人经验（域内有效、随人而异、H 持续校准）。

位移三：从"内部修复"到"请求灌注"。 请求灌注承认某些问题的解决需要外部知识注入，而"承认不知道"本身就是认知诚实在架构层的实现。

这三个位移共同指向一个更根本的立场：Agent 的可靠性不是被训练出来的涌现能力，而是被精心设计的架构约束。

本文中所有公司名、客户名和场景数据均使用代号脱敏处理。