AI Common

外观

[2026-01-16] 混合 RAG 架构 (Hybrid RAG Architecture) - 完整版 (Rev 2) ​

1. 核心理念 ​

通过**“显式规则 (L0) + 私有内脑 (L1) + 官方外脑 (L2)”**的三层分发体系，实现 Token 效率与知识深度的完美平衡。

2. 三层使命与痛点解决 ​

🏛️ L0：显式规则 (Explicit Rules) ​

载体: index.md, vibe_rules.md, tech_stack.md核心使命: 建立基准，消除幻觉。

  • 解决什么痛点？
    • 上下文丢失: AI 每次对话都忘了你的技术栈（Vue 还是 React？）。
    • 行为不可控: AI 写的代码风格飘忽不定（一会 TS 一会 JS）。
    • Token 浪费: 每次都要重复输入几千字的 Prompt。
  • 一句话: 它是 AI 的**“出厂设置”**，保证 AI 一上来就是“懂你”的状态。

🛤️ L1：私有 RAG (Private Memory) - 优先检索 ​

载体: Local Milvus (milvus-toolkit) 核心使命: 沉淀经验，隐私回溯。

  • 解决什么痛点？
    • 重复踩坑: 上周修过的 Bug，今天 AI 又犯了。
    • 个性化缺失: AI 不知道你特定的业务逻辑（如“用户鉴权流程”）。
    • 隐私安全: 业务代码和密钥不能传给公有大模型微调。
  • 一句话: 它是 AI 的**“私人日记”**，让 AI 优先回忆“我之前是怎么做的”。
  • 标记: [🧠 Local RAG]

🛤️ L2：官方 RAG (Official Knowledge) - 兜底查询 ​

载体: MCP searchKnowledgeBase (腾讯云文档) 核心使命: 即时查阅，扩展边界。

  • 解决什么痛点？
    • 知识滞后: AI 训练数据截止于 2023 年，不知道 2024 年的新 API。
    • 准确性: 引用人的言论而非 AI 的猜想（相对准确）。
  • 一句话: 它是 AI 的**“在线字典”**，只有在自己没做过时才去查。
  • 标记: [🧠 Official RAG]

3. 工程化亮点 ​

  • Token 节省: 通过 L0 的分层注入，AI 只加载相关的 10% 规则，而非 100% 全量。
  • 优先级闭环: 死规矩 (L0) > 私人经验 (L1) > 官方手册 (L2)。
  • 隔离与隐私: L0 和 L1 物理留存在本地，通过 MCP 桥接 L2，确保核心秘密不出本地。

评价：这形成了一套完整的、可观测的 AI 记忆闭环。