反复检索模式 (Iterative Retrieval Pattern)

解决多智能体工作流（Multi-agent Workflow）中的“上下文问题”。子智能体在开始工作之前，通常不知道需要哪些上下文。

问题

子智能体（Sub-agent）在启动时上下文有限。它们通常不知道：

• 哪些文件包含相关的代码
• 代码库中存在哪些模式（Patterns）
• 项目使用什么术语

标准方法往往会失败：

• 发送全部：超出上下文限制（Context Limit）
• 什么都不发：智能体缺乏关键信息
• 猜测所需内容：经常出错

解决方案：反复检索

分为 4 个阶段的循环，逐步优化上下文：

┌─────────────────────────────────────────────┐
│                                             │
│   ┌──────────┐      ┌──────────┐            │
│   │ DISPATCH │─────▶│ EVALUATE │            │
│   └──────────┘      └──────────┘            │
│        ▲                  │                 │
│        │                  ▼                 │
│   ┌──────────┐      ┌──────────┐            │
│   │   LOOP   │◀─────│  REFINE  │            │
│   └──────────┘      └──────────┘            │
│                                             │
│        最大 3 个循环，之后继续执行             │
└─────────────────────────────────────────────┘

阶段 1: 派发 (DISPATCH)

收集候选文件的初始宽泛查询：

// 从高层意图开始
const initialQuery = {
  patterns: ['src/**/*.ts', 'lib/**/*.ts'],
  keywords: ['authentication', 'user', 'session'],
  excludes: ['*.test.ts', '*.spec.ts']
};

// 派发给检索智能体
const candidates = await retrieveFiles(initialQuery);

阶段 2: 评估 (EVALUATE)

评估获取内容的关联性（Relevance）：

function evaluateRelevance(files, task) {
  return files.map(file => ({
    path: file.path,
    relevance: scoreRelevance(file.content, task),
    reason: explainRelevance(file.content, task),
    missingContext: identifyGaps(file.content, task)
  }));
}

评分标准：

• 高 (0.8-1.0)：直接实现目标功能
• 中 (0.5-0.7)：包含相关的模式或类型
• 低 (0.2-0.4)：间接相关
• 无 (0-0.2)：不相关，排除

阶段 3: 优化 (REFINE)

根据评估更新检索标准：

function refineQuery(evaluation, previousQuery) {
  return {
    // 添加在高关联性文件中发现的新模式
    patterns: [...previousQuery.patterns, ...extractPatterns(evaluation)],

    // 添加在代码库中发现的术语
    keywords: [...previousQuery.keywords, ...extractKeywords(evaluation)],