iterative-retrieval

name iterative-retrieval description 逐步优化上下文检索以解决子代理上下文问题的模式 origin ECC 迭代检索模式 解决多智能体工作流中的“上下文问题”，即子智能体在开始工作前不知道需要哪些上下文。 何时激活 当需要生成需要代码库上下文但无法预先预测的子代理时 构建需要逐步完善上下文的多代理工作流时 在代理任务中遇到"上下文过大"或"缺少上下文"的失败时 为代码探索设计类似 RAG 的检索管道时 在代理编排中优化令牌使用时 问题 子智能体被生成时上下文有限。它们不知道： 哪些文件包含相关代码 代码库中存在哪些模式 项目使用什么术语 标准方法会失败： 发送所有内容 ：超出上下文限制 不发送任何内容 ：智能体缺乏关键信息 猜测所需内容 ：经常出错 解决方案：迭代检索 一个逐步优化上下文的 4 阶段循环： ┌─────────────────────────────────────────────┐ │ │ │ ┌──────────┐ ┌──────────┐ │ │ │ 调度 │─────│ 评估 │ │ │ └──────────┘ └──────────┘ │ │ ▲ │ │ │ │ ▼ │ │ ┌──────────┐ ┌──────────┐ │ │ │ 循环 │─────│ 优化 │ │ │ └──────────┘ └──────────┘ │ │ │ │ 最多3次循环，然后继续 │ └─────────────────────────────────────────────┘ 阶段 1：调度 初始的广泛查询以收集候选文件： // Start with high-level intent const initialQuery = { patterns : [ 'src/**/*.ts' , 'lib/**/*.ts' ], keywords : [ 'authentication' , 'user' , 'session' ], excludes : [ '*.test.ts' , '*.spec.ts' ] }; // Dispatch to retrieval agent const candidates = await retrieveFiles (initialQuery); 阶段 2：评估 评估检索到的内容的相关性： 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) ：包含相关模式或类型 低 (0.2-0.4) ：略微相关 无 (0-0.2) ：不相关，排除 阶段 3：优化 根据评估结果更新搜索条件： function refineQuery ( evaluation, previousQuery ) { return { // Add new patterns discovered in high-relevance files patterns : [...previousQuery. patterns , ... extractPatterns (evaluation)], // Add terminology found in codebase keywords : [...previousQuery. keywords , ... extractKeywords (evaluation)], // Exclude confirmed irrelevant paths excludes : [...previousQuery. excludes , ...evaluation . filter ( e => e. relevance < 0.2 ) . map ( e => e. path ) ], // Target specific gaps focusAreas : evaluation . flatMap ( e => e. missingContext ) . filter (unique) }; } 阶段 4：循环 使用优化后的条件重复（最多 3 个周期）： async function iterativeRetrieve ( task, maxCycles = 3 ) { let query = createInitialQuery (task); let bestContext = []; for ( let cycle = 0 ; cycle < maxCycles; cycle++) { const candidates = await retrieveFiles (query); const evaluation = evaluateRelevance (candidates, task); // Check if we have sufficient context const highRelevance = evaluation. filter ( e => e. relevance >= 0.7 ); if (highRelevance. length >= 3 && ! hasCriticalGaps (evaluation)) { return highRelevance; } // Refine and continue query = refineQuery (evaluation, query); bestContext = mergeContext (bestContext, highRelevance); } return bestContext; } 实际示例 示例 1：错误修复上下文 任务："修复身份验证令牌过期错误" 循环 1: 分发：在 src/** 中搜索 "token"、"auth"、"expiry" 评估：找到 auth.ts (0.9)、tokens.ts (0.8)、user.ts (0.3) 优化：添加 "refresh"、"jwt" 关键词；排除 user.ts 循环 2: 分发：搜索优化后的关键词 评估：找到 session-manager.ts (0.95)、jwt-utils.ts (0.85) 优化：上下文已充分（2 个高相关文件） 结果：auth.ts、tokens.ts、session-manager.ts、jwt-utils.ts 示例 2：功能实现 任务："为API端点添加速率限制" 周期 1： 分发：在 routes/** 中搜索 "rate"、"limit"、"api" 评估：无匹配项 - 代码库使用 "throttle" 术语 优化：添加 "throttle"、"middleware" 关键词 周期 2： 分发：搜索优化后的术语 评估：找到 throttle.ts (0.9)、middleware/index.ts (0.7) 优化：需要路由模式 周期 3： 分发：搜索 "router"、"express" 模式 评估：找到 router-setup.ts (0.8) 优化：上下文已足够 结果：throttle.ts、middleware/index.ts、router-setup.ts 与智能体集成 在智能体提示中使用： 在为该任务检索上下文时： 1. 从广泛的关键词搜索开始 2. 评估每个文件的相关性（0-1 分制） 3. 识别仍缺失哪些上下文 4. 优化搜索条件并重复（最多 3 个循环） 5. 返回相关性 >= 0.7 的文件 最佳实践 先宽泛，后逐步细化 - 不要过度指定初始查询 学习代码库术语 - 第一轮循环通常能揭示命名约定 跟踪缺失内容 - 明确识别差距以驱动优化 在“足够好”时停止 - 3 个高相关性文件胜过 10 个中等相关性文件 自信地排除 - 低相关性文件不会变得相关 相关 长篇指南 - 子代理编排章节 continuous-learning 技能 - 适用于随时间改进的模式 与 ECC 捆绑的代理定义（手动安装路径： agents/ ）