工具概览
EvidenceFlow 是一个基于 LangGraph 的智能体式 RAG 系统,用于研究和文档智能,围绕稀疏优先检索、证据溯源、引用验证和失败即拒绝(fail-closed)的回答构建。它被定位为一条以信任为导向的流水线,而不是传统的向量搜索聊天机器人。
其检索架构有意采用稀疏优先且不使用向量数据库。知识库检索层不依赖稠密嵌入或 k-NN 向量搜索;而是使用 OpenSearch 的倒排索引和 BM25 进行经典词法检索,并可选使用 OpenSearch 的神经稀疏检索。如果神经稀疏模型无法部署,系统会回退到经典词法路径。
检索从一次有界的、确定性的首轮开始。当首轮效果不佳时,LLM 规划器会生成少量备选的词法查询,经同一个 OpenSearch 检索层再次检索,并受硬性轮数上限约束。检索到的候选通过倒数排名融合(Reciprocal Rank Fusion)合并,并可交给交叉编码器重排序器处理,后者是增强功能而非硬性依赖。
信任层把检索到的文档和网页结果视为不可信的证据,将检索内容与智能体的控制流隔离,并对照用于综合的实际证据集验证引用。它区分证据已验证、证据有限、证据冲突、无法验证以及不安全内容已拦截等状态。
定价
价格与限制可能变化,请以官网为准,并确认币种、付款周期、最低席位数和用量上限。
应用场景
- 团队用 EvidenceFlow 通过无向量的词法检索路径,针对知识库回答问题。
- 团队用 EvidenceFlow 在同一条智能体流水线中结合知识库和网络研究。
- 团队用 EvidenceFlow 检查生成的回答所引用的证据是否真的支持它们。
- 团队用 EvidenceFlow 揭示冲突的证据,以及涉及数字和日期的论断。
- 团队用 EvidenceFlow 在证据不足或相互冲突时拒绝给出缺乏依据的回答。
- 团队用 EvidenceFlow 通过 RRF 融合和交叉编码器重排序改进检索排名。
- 团队用 EvidenceFlow 运行容器化部署,包含 OpenSearch、可选的网络研究和可配置的 Jina 重排序。
功能特性
混合式信息检索
对检索结果重新排序
核验回答中的引用
验证失败时停止生成回答
基于证据生成 RAG 回答
用户评论
还没有评论,来分享你的使用体验吧