🧠 Adaptive RAG Engine v1.0#

不是管道，是认知循环。

核心能力#

能力说明触发方式Adaptive Router判断是否需要检索，简单问题直接答自动（每次 memory_search 前）Capsule Pre-filter42个胶囊标题预匹配，缩小范围 90%自动（Router 通过后）Vector Searchbge-m3 向量检索 Top-20memory_search 工具LLM Re-rank语义重排序 Top-20 → Top-5检索后自动CRAG Evaluator质量评估 + 低分补搜检索后自动L3 Gatekeeper输出前与核心洞察校验生成前自动Memory BridgeActive Memory ↔ Phoenix 双向桥接对话结束时

使用流程#

对于 CEO（小鸟文书）#

此 Skill 是 协议层，不需要显式调用。它通过以下方式生效：

1. 读取协议文件: rules/adaptive-rag-protocol.md — 获取完整决策树
2. 读取胶囊索引: memory/topics/.capsule-index.json — 获取 42 个胶囊元数据
3. 按决策树执行: 每次需要记忆时，走 Router → Pre-filter → Search → Rank → CRAG → Generate → Verify

对于 SubAgent#

SubAgent 在执行任务时：

1. 先判断任务类型 → 决定是否需要检索
2. 需要检索时 → 先做胶囊预筛选
3. 检索结果 → 自行判断质量（CRAG 思维）
4. 输出前 → 自检是否与已知信息矛盾

关键文件#

文件用途rules/adaptive-rag-protocol.md完整协议（决策树/分类/bridge/CRAG/L3）memory/topics/.capsule-index.json42个胶囊的结构化索引scripts/build-capsule-index.py重建胶囊索引脚本scripts/rag-evaluate.pyCRAG 质量评估脚本

快速命令#

bash

# 重建胶囊索引
python3 ~/.openclaw/workspace/skills/adaptive-rag-engine/scripts/build-capsule-index.py

# 评估检索质量
python3 ~/.openclaw/workspace/skills/adaptive-rag-engine/scripts/rag-evaluate.py --query "xxx" --results "result1, result2"

与其他 Skill 的关系#

• dynamic-rag-capsule — Context 管理层面的胶囊化（对话太长时压缩）
• phoenix-memory — 记忆存储和衰减管理（四层架构）
• 本 Skill — 检索策略和质量控制（怎么搜、搜到后怎么办）

三者关系： phoenix-memory 是仓库，dynamic-rag-capsule 是打包器，adaptive-rag-engine 是导航仪