L5 总览：为 Agent 找资料、组上下文、管理记忆

上下文是一次模型请求中交给模型阅读的信息。除了用户的问题，它还可以包含聊天历史、工具返回值、业务规则和资料片段。Agent 要回答“退货后多久能到账”，就需要拿到适用于这笔订单的退款规则，再把相关段落放进请求。

L5 学的是如何找到和整理这些信息：资料怎样进入系统，怎样找到相关段落，怎样让回答附上依据，以及长期保存的信息如何更新和删除。可以把 Agent 想成正在做开卷题的同事：先替他找对书、翻到相关页，再请他回答。

先认识 RAG 的完整过程

RAG 是 Retrieval-Augmented Generation，通常译作“检索增强生成”。检索从资料库找内容，生成根据取到的内容组织回答。例如先查到退款到账规则，再将规则和问题一起发送给模型。

查询时先把检索范围限制在当前用户可读的资料中，多路结果合并后再复核权限和版本，最后才交给模型。像在公司资料室借书，先确认能进哪个资料区，再核对借出的具体文件。

“索引”像书后的词条目录；“候选”是先找出来、还要挑选的资料。模型最终读到的是组装后的上下文，并不会自动看见资料库里的每篇文档。检索漏掉重要规则时，需要先改检索或资料组织。

沿三条路线读完十七篇

先给模型整理资料

前三篇从一次请求出发：放什么、怎么排、长度怎么控制。随后四篇把资料整理成可查询的库。

再找准、引用和检查答案

找出资料后，还需要处理问法变化、排序、缺资料和相互矛盾的规则。

最后让信息能保存，也能纠正

文档库通常存资料原文，记忆保存任务或用户相关的信息，例如用户偏好回答简短，或上次任务已到哪一步。来源和更新方式各有用途。

每篇都安排了固定数据。先保存完整代码、运行命令，再对照输出看解释；公式、关键数据和结果直接展示。正常路径跑完之后，可以展开文末习题。

定位一条回答为什么不对

用户问“退款多久到账”，回答却变成“配送需要两天”。按资料经过的顺序查看：原文有退款规则吗？分块后保留了完整条件吗？检索有没有找到它？重排后是否进入上下文？回答是否由规则支持？每一问对应一个明确环节。

资料增加时，先建立可观察的基线，再根据失败样例选择复杂检索方式。LlamaIndex 的 RAG 入门按加载、索引、存储、查询和评测组织了完整流程，可作为深入阅读入口。

从上下文选择、排序与预算开始。需要回顾任务执行时看L4 总览。接下来的L6将执行与资料能力连接到多个 Agent 的协作中。