📰 概要

分层Agentic RAG解决企业「模态鸿沟」，让结构化和非结构化数据同时被理解。

InfoQ深度技术文章介绍Protocol-H架构：通过分层多智能体编排解决企业RAG系统的核心问题——结构化数据查询和非结构化文档检索无法同时做好。

内部评估数据：在三家金融服务场景的1500条多跳查询中，约30%出现"静默失败"——答案表面权威，但遗漏超过20%的相关数据点。

---

🔍 解读

这不是RAG的版本更新，是企业AI数据检索架构的范式转换。

传统RAG是线性流水线：向量化问题→检索文档→LLM生成答案。擅长文档检索，但无法处理结构化数据查询和非结构化文档的联合推理。

Protocol-H的解决方案是supervisor-worker拓扑：supervisor理解问题、拆解任务，worker负责专项检索，supervisor汇总结果并验证完整性。

这类似于xAI和Databricks等团队采用的方法——多智能体协作，而不是单链式处理。

---

💎 深挖

模态鸿沟是什么

企业数据分析常遇到这类问题："为什么欧洲业务表现不佳？"

这个问题需要同时处理：SQL数据库中的结构化数据和非结构化文档（市场报告、竞争分析、监管文件）。

传统RAG的痛点：要么返回缺少监管上下文的营收数据，要么给出缺乏量化校验的市场报告。分析师还得手工补齐。

这就是"模态鸿沟"——结构化和非结构化数据检索是分开的，系统无法联合推理。

静默失败的代价

内部评估揭示了严重问题：在Q4 2025的1500条多跳查询评估中，约30%出现"静默失败"。

静默失败的特点：答案表面权威，但实际上遗漏了超过20%的相关数据点。推理路径不透明，不利于审计。

失败原因包括：预先固定检索路径导致漏掉关键数据；上下文窗口有限无法完整汇总；缺乏重试机制导致系统基于不完整信息作答。

尤其危险的是：当结构化与非结构化信号冲突时，LLM仍会给出"看起来很自信"的错误答案。

Protocol-H的分层设计

Protocol-H引入受组织层级与人类问题解决策略启发的架构：supervisor-worker拓扑。

工作流程：supervisor接收问题，判断需要哪些数据源，分配worker执行专项检索，汇总结果并验证完整性，如果结果不完整则触发重试。

关键创新是"自主纠错"——系统能识别自身的不完整，并主动重新检索。

这和LangGraph/LangChain的agentic模式不同：传统agentic模式是线性执行，Protocol-H是分层协作+反馈循环。

适用和不适用场景

适用场景：需要跨结构化和非结构化数据源的复杂查询、金融服务/法律/咨询等需要多跳推理的企业场景、对答案完整性和审计透明度有要求的高风险决策。

不适用场景：简单单跳查询（直接SQL或文档检索即可）、实时性要求极高的场景（多智能体编排增加了延迟）。

为什么值得关注

对企业AI团队来说，这是一个解决"数据丰富但答案贫乏"问题的架构参考。

30%的静默失败率意味着：如果你在生产环境中使用传统RAG，有近三分之一的可能给出看似正确但实际遗漏关键信息的答案。

这个架构的核心理念——分层协作+自主纠错——也可以应用于其他需要高可靠性的AI系统。

什么情况不建议用

简单单跳查询不需要这个架构——直接SQL或文档检索即可。

实时性要求极高的场景不适用——多智能体编排增加了延迟。