双通道RAG上下文引擎 — 指令RAG与事实RAG协同的高保真信息检索架构

1. 解决的问题

单RAG系统将操作SOP和市场数据混为一谈导致指令遵从率只有71%——双通道RAG（指令RAG+事实RAG）将指令遵从率提升至96%，引用准确率从58%提升至89%

2. 核心算法逻辑

核心洞察（Rothman双RAG架构）：传统RAG只有一条检索通道——查询→检索→生成。这在单Agent场景下够用，但在MAS中存在根本性缺陷：策略/指令类信息（"如何做"）和事实/知识类信息（"是什么"）的检索需求完全不同：

3. 业务应用场景

- 业务问题：某母婴卖家部署AI助手辅助运营决策，要求同时掌握：(1) 内部SOP（如何申报FBA、促销规则）和 (2) 市场知识（竞品数据、趋势报告）。单RAG系统频繁出现"用市场数据覆盖了操作SOP"的问题，导致错误决策 - 数据要求： - 指令库：100页内部SOP文档（FBA操作手册/促销规则/合规清单） - 知识库：市场报告、竞品数据、行业白皮书 - 双RAG解决方案： 1. 问题"如何申报FBA退货税？" → 指令RAG检索SOP → 精确操作步骤 2. 问题"吸奶器2025年市场趋势？" → 知识RAG检索报告 → 结构化分析 3. 问题"在旺季如何调整备货以符合合规要求？" →

场景B：多Agent研究助手（NASA风格严格引用）

- **业务问题**：研究团队需要MAS自动生成有严格引用要求的行业报告，不允许任何无来源声明 - **双RAG机制**：知识库存放来源文档；每次生成时实时验证引用ID是否存在于检索结果集中；无法验证的声明自动标记为[UNVERIFIED]并触发人工审核 - **预期产出**：报告幻觉率从23%降至3%，可验证引用比例从45%提升至94%

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI 预估：母婴出海合规+选品双RAG助手，引用准确率从58%→94%使运营团队验证时间减少60%；指令遵从率96%减少合规违规风险（每次FBA违规罚款约$500-$5000）；系统建设成本$5万，年化防损+效率提升>$20万，ROI≈400%
• 实施难度：⭐⭐⭐⭐☆（双库分离管理和优先级合并逻辑需要仔细设计；生产环境需要Pinecone等向量数据库支撑）
• 优先级：⭐⭐⭐⭐⭐（Rothman在书中Ch3就引入双RAG，作为整个Context Engine的核心信息摄入架构，是后续所有章节的基础）
• 适用规模：需要同时处理"操作规则"和"知识数据"的任何MAS系统
• 数据依赖：指令类文档（SOP/政策/规则）和知识类文档（报告/数据/文档）需要预先分类整理

7. 代码模板

代码块数量：3 · 路径：未检测到

请查看原始 Skill 卡片获取完整代码。

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。