📰 概要

"为什么欧洲业务表现不佳？"——这个问题需要结构化数据（营收、利润率）和非结构化文档（市场报告、监管文件）同时回答。

大多数RAG系统只能选一个：要么擅长SQL查询，要么擅长文档检索。两者同时需要时，往往给出残缺的答案。

2026年5月3日，InfoQ报道了Protocol-H方案：通过分层多智能体编排解决"模态鸿沟"问题。

---

🔍 解读

传统RAG是线性流水线：向量化问题→检索文档→LLM生成→输出答案。

这套流程在文档中心型问题上还可行，但面对企业真实需求就露怯了——结构化数据和非结构化文档被视为独立问题，工程师要么自建编排层，要么接受不完整的答案。

Protocol-H的核心设计：supervisor-worker拓扑。

supervisor负责拆解问题，路由到专用SQL worker或向量worker；worker专注各自模态；supervisor汇总结果并处理多跳复杂场景。

---

💎 深挖

模态鸿沟的具体表现

以客户流失分析为例："哪些客户群体流失率最高？结合工单看常见原因是什么？"

传统RAG的执行路径：SQL层检索高流失群体，向量层检索相关工单，然后汇总。

问题来了：初始SQL可能遗漏关键工单；上下文窗口有限时，无法在单次推理中完成完整汇总；结构化和非结构化信号冲突时，LLM仍会给出"自信但不完整"的答案。

静默失败的数据触目惊心

Protocol-H引用了针对三家金融服务场景的内部评估（2025年Q4，约1500条多跳查询）。

约30%的案例出现"静默失败"：答案表面权威，但遗漏了超过20%的相关数据点——绩效分析中缺失监管上下文，推理路径不透明，无法审计。

这意味着你信任的AI分析结论，三成可能是严重残缺的。

Protocol-H的核心机制

Supervisor-worker拓扑：就像组织里的管理者分配专业任务给数据分析师和研究员，再汇总结论。

Supervisor负责拆解问题、路由、执行流控制。Worker负责各自模态的具体检索。

Reflective Retry（反射重试）：这是自主纠错的关键。当Worker返回结果不完整或有冲突时，Supervisor触发重试——迭代修正，而不是直接给出有缺陷的答案。

技术栈选择

Protocol-H建立在LangGraph/LangChain的agentic模式之上，参考了xAI和Databricks的做法。配套开源代码展示Docker/K8s部署方案。

这是可以直接复用的架构原则，不绑定特定框架。

为什么值得关注

不是新概念新包装，是实打实的数据。

30%静默失败率说明：当前的RAG系统在实际生产环境中并不可靠。分层多智能体+自主纠错是针对这个问题的具体解法，不是理论推演。

对于企业AI团队，这个架构值得认真评估。

什么情况不建议用

如果你的场景只需要单一模态（纯文档问答或纯结构化数据查询），传统RAG或Text-to-SQL已经够用，不需要引入这套复杂度。

如果你的团队没有足够的AI工程能力维护Supervisor编排层，这套方案的运维成本可能超过收益。