RAG 召回机制：PolyAI 的话题匹配是怎么工作的
什么是 RAG
检索增强生成（Retrieval-Augmented Generation, RAG） 是 PolyAI 智能体回答问题时的核心工作方式。它的基本流程是：
用户输入 → 语义匹配 → 召回相关话题 → 把话题内容 + 对话历史 + 系统规则拼成 prompt → 喂给 Raven / Dialog-RSN-1 模型 → 模型生成回复这个机制的关键是知识（话题）和模型解耦：
- 知识是你在 Agent Studio 里维护的——修改回答、添加新话题、删除过时话题，下次对话就自动生效
- 模型（Raven / Dialog-RSN-1）是 PolyAI 维护的——模型更新时知识不会丢，知识更新时不需要重新训练模型
PolyAI 的 RAG 和通用 RAG 有什么不同
市面上很多产品也宣称用 RAG，但实现差异很大。PolyAI 的 RAG 机制有几个关键设计：
1. 话题示例问题是主动信号
通用 RAG 把整个文档分块、做向量索引、用相似度匹配——用户说的话和文档片段的向量距离越近，匹配度越高。PolyAI 在此基础上还额外利用每个话题的示例问题作为主动匹配信号——用户输入和示例问题越相似，话题的召回权重越高。这让话题匹配更精确，尤其在话题内容相近、只有示例问题不同的场景里。
2. 多层匹配策略
对于多语言智能体，PolyAI 的 RAG 会先用语言检测确定用户当前用哪种语言，再只在对应语言的话题里做召回，避免跨语言的误匹配。
3. 召回后不直接返回，作为 LLM 上下文
召回的话题内容不会直接当作回复返回，而是作为上下文的一部分喂给 LLM。LLM 在此基础上组织更自然的回复——这意味着同一话题，智能体可以根据对话上下文（比如用户的情绪、之前聊了什么）调整回复的语气和细节，而不是每次都机械地念同一段话。
4. 可以触发 Functions 和 Actions
如果召回到的话题配置了 Actions，RAG 流程在召回话题的同时也会激活对应的动作触发器——LLM 可以看到这个动作选项、决定是否执行。
召回质量调优
RAG 召回不上（话题明明存在但对话里没被触发）的常见原因和解决方向：
| 原因 | 解决 |
|---|---|
| 示例问题和用户真实问法差太远 | 从 Conversations 面板里看真实用户输入，加进示例问题 |
| 话题内容太泛，匹配分不高 | 给话题补充更具体的示例问题 |
| 多个相近话题互相干扰 | 合并相似话题、或者给示例问题做更明确的区分 |
| 话题匹配了但 LLM 没用 | 检查 Agent 设置里的 Rules 是否覆盖了 RAG 召回的内容 |
和 Flow 的关系
RAG 召回知识话题是 PolyAI 对话管道的默认入口。当 RAG 召回到一个配置了"触发 Flow"Action 的话题时，对话就从 RAG 模式切换到 Flow 模式（多步引导）。这两种模式无缝衔接——用户不需要显式说"请帮我走预订流程"，RAG 匹配到相关话题后自动触发。