📰 概要

企业AI团队有个说不出口的痛苦：大多数RAG系统，要么只会查数据库，要么只会翻文档，两个一起来就歇菜。

比如财务问"为什么欧洲业务表现不佳"，系统需要同时调SQL（营收、利润率）和非结构化文档（市场报告、监管文件）。

但大多数系统要么返回缺少上下文的干数字，要么给你一份没有量化校验的文字。

2026年5月3日，InfoQ发表深度文章，详细拆解了这个问题，并给出了代号Protocol-H的参考实现。

🔍 解读

这个问题的本质，是现有RAG系统把结构化和非结构化当成两个独立问题处理。

工程师被迫要么构建定制的编排层，要么接受残缺的答案。更要命的是，系统会"静默失败"——返回看起来很自信但实际不完整的答案，你还很难发现。

文章披露了一组内部评估数据：3家金融服务场景，Q4 2025，约1500条多跳查询，约30%出现静默失败。

Protocol-H的解法是多智能体分层编排。用Supervisor当路由器，把问题拆解到不同Worker，再汇总。关键是加入了自主纠错机制——初检失败就重试。

对比传统RAG的单次查询模式，Protocol-H的流程是：问题→结构化推理（SQL）→语义检索（向量）→跨模态汇总→纠错验证→答案。

这个架构参考了LangGraph/LangChain的agentic模式，类xAI和Databricks采用的方法。核心是Supervisor-Worker拓扑。

Worker专注单一模态，Supervisor负责协调和纠错。为什么纠错重要？因为初始SQL可能找到高流失客户，但漏掉关键工单。没有重试机制，系统就会基于不完整信息作答。

你以为是AI的幻觉，其实是RAG的静默失败。

配套代码展示了Docker/K8s环境下的企业级部署方案。架构原则是通用的，可以在任何偏好的框架里复用。

「什么情况不建议用」：如果你的数据源非常单一（只有文档或只有数据库），这套架构会显得过重。简单场景用传统RAG就够了。

对于多模态数据融合场景，这套架构打开了新的可能性。结构化和非结构化的协同，不只是技术问题，也是企业AI落地最难啃的骨头。谁先解决这个问题，谁就能在企业AI市场占据先机。