到目標(biāo)驅(qū)動(dòng))
智能體的三個(gè)階段從提示詞人設(shè)到目標(biāo)驅(qū)動(dòng)工程邊界在哪摘要市面上大量智能體其實(shí)只是包了人設(shè)的提示詞。本文用三個(gè)階段模型劃清能力邊界——提示詞人設(shè)、工作流編排、目標(biāo)驅(qū)動(dòng)自主體并給出 RAG 把回答準(zhǔn)確率從 60% 拉到 90% 的具體工程路徑與平臺(tái)選型依據(jù)。一、先定義清楚什么才算智能體判斷標(biāo)準(zhǔn)只有一條而且很干脆能不能調(diào)用工具。用戶直接提問、大模型直接給答復(fù)——這是大模型應(yīng)用。一旦模型具備了調(diào)用外部工具的能力聯(lián)網(wǎng)搜索、查數(shù)據(jù)庫、調(diào) API它才變成智能體。智能體包含大模型但大模型本身不是智能體。這條線劃清楚之后很多討論才有意義。比如「我在官網(wǎng)開了聯(lián)網(wǎng)開關(guān)是不是就在用智能體了」——嚴(yán)格講不是你操作的是一個(gè)應(yīng)用聯(lián)網(wǎng)能力是應(yīng)用層封裝好喂給模型的你沒有讓模型自己決定調(diào)不調(diào)。歷史上對智能體的理解分兩代時(shí)間提出者核心要素視角1986明斯基《意識社會(huì)》分布式智能體集合、層級協(xié)作、無中央控制認(rèn)知科學(xué)2023翁麗蓮OpenAI大模型、記憶、工具、規(guī)劃、行動(dòng)功能化系統(tǒng)設(shè)計(jì)明斯基那套是從認(rèn)知科學(xué)出發(fā)的哲學(xué)式定義和今天寫代碼完全是兩回事。真正能落地的是 2023 年那套五要素框架逐條對應(yīng)到工程大模型決策中樞負(fù)責(zé)推理和規(guī)劃記憶短期是上下文窗口長期靠向量庫 / 知識圖譜 / 微調(diào)工具擴(kuò)展能力邊界突破純文本限制規(guī)劃任務(wù)拆解 反思自省行動(dòng)實(shí)際調(diào)接口、執(zhí)行操作成熟度可以類比自動(dòng)駕駛 L4——人設(shè)定目標(biāo)和給資源AI 完成絕大部分執(zhí)行閉環(huán)。二、三階段模型能力越強(qiáng)可控性越弱這是我見過最實(shí)用的一張判斷表。分階段的依據(jù)不是「用了什么技術(shù)」而是誰來決定執(zhí)行路徑。階段一提示詞立人設(shè)典型形態(tài)是 GPTs、各類客戶端的「智能體」功能。你寫一段提示詞定義角色模型按這個(gè)人設(shè)回答。能力邊界非常清楚沒有自主工具調(diào)用沒有流程控制依賴模型固有能力。所以業(yè)內(nèi)管它叫「閹割版智能體」不算貶義只是準(zhǔn)確。適用場景角色扮演、風(fēng)格化寫作、固定話術(shù)的客服問答。這類場景不需要工具也不需要多步流程提示詞夠用。階段二工作流編排每一步的模型、插件、節(jié)點(diǎn)順序由人顯式指定系統(tǒng)按設(shè)定流程執(zhí)行。從編程范式類比這是「面向過程」——你寫的是流程圖不是目標(biāo)。所以它的特點(diǎn)恰好是確定性高、可控性強(qiáng)、異?？擅杜e。輸入 → 節(jié)點(diǎn)1(插件A) → 節(jié)點(diǎn)2(代碼) → 節(jié)點(diǎn)3(大模型B) → 輸出 ↓異常 重試/兜底分支階段二的工程價(jià)值被低估了。企業(yè)級落地時(shí)大多數(shù)場景其實(shí)應(yīng)該停在這一層因?yàn)闃I(yè)務(wù)方要的是「結(jié)果穩(wěn)定」不是「AI 自主」。讓 AI 自由決定怎么查數(shù)據(jù)出了錯(cuò)沒人能解釋為什么。階段三目標(biāo)驅(qū)動(dòng)自主體人只給目標(biāo)智能體自主完成任務(wù)拆分、工具選擇、進(jìn)度控制達(dá)成后自主結(jié)束。這是「面向目標(biāo)」的架構(gòu)。差別有多大舉個(gè)具體的讓人去對面桌子拿蘋果要拆成語音轉(zhuǎn)文本、視覺識別定位、機(jī)械運(yùn)動(dòng)控制多個(gè)環(huán)節(jié)每一步選什么工具、什么順序階段二需要人提前編排好所有分支階段三由智能體現(xiàn)場決定。從階段二到階段三是質(zhì)變但代價(jià)是可控性下降。所以生產(chǎn)環(huán)境的策略通常是核心業(yè)務(wù)鏈路走階段二探索型任務(wù)走階段三。下面這張圖是三個(gè)階段的關(guān)系可控性高 ←──────────────────────────────→ 可控性低 能力窄 ←──────────────────────────────→ 能力寬 階段一 階段二 階段三 提示詞人設(shè) 工作流編排 目標(biāo)驅(qū)動(dòng) │ │ │ 固定角色 固定流程 自主規(guī)劃 無工具 顯式選工具 自主選工具 ← 企業(yè)落地主戰(zhàn)場 →一個(gè)反直覺的結(jié)論階段二不是過渡形態(tài)它是終態(tài)之一。就像不是所有程序都需要用聲明式編程不是所有 AI 應(yīng)用都需要自主智能體。三、RAG把準(zhǔn)確率從 60% 拉到 90%知識庫是智能體「記憶」要素的工程載體。為什么必須有它三個(gè)具體痛點(diǎn)痛點(diǎn)具體表現(xiàn)解法訓(xùn)練數(shù)據(jù)滯后問 2025 年春節(jié)檔電影模型不知道聯(lián)網(wǎng)搜索領(lǐng)域語料缺失問私域健身方案模型沒學(xué)過私有知識庫私域數(shù)據(jù)不可見公眾號高質(zhì)量內(nèi)容不在訓(xùn)練集里特定數(shù)據(jù)源接入實(shí)測下來引入 RAG 后回答準(zhǔn)確率可以從 60% 提升到 90%。這個(gè)數(shù)字怎么理解——打個(gè)比方讓大模型去考一個(gè)它完全陌生的領(lǐng)域閉卷正確率可能只有百分之幾給了參考資料就相當(dāng)于開卷能順著資料找到方向正確率能到 90%。這里要說清 RAG 的完整鏈路兩步走數(shù)據(jù)存儲(chǔ)過程PDF / Word / Markdown → 文本切分chunking → 嵌入模型向量化 → 存入向量數(shù)據(jù)庫用戶查詢過程用戶提問 → 問題向量化同一個(gè)嵌入模型 → 向量庫相似度檢索 → 檢索結(jié)果作為上下文拼進(jìn)提示詞 → 大模型生成答案 標(biāo)注來源踩坑點(diǎn)這兩個(gè)過程必須用同一個(gè)嵌入模型。不同產(chǎn)品用的嵌入模型不一樣有的用 BGE有的用其他一旦寫入和查詢用了不同的模型向量空間不對齊檢索結(jié)果會(huì)完全隨機(jī)——而且不報(bào)錯(cuò)只是答得莫名其妙。這是最難排查的一類問題。四、平臺(tái)選型按場景而非按名氣主流的幾條路各有明確適用條件路徑代表優(yōu)勢代價(jià)本地化客戶端 本地知識庫數(shù)據(jù)完全本地、可離線需配 API Key 與嵌入模型在線便捷在線搜索類產(chǎn)品拖拽上傳即用數(shù)據(jù)存第三方服務(wù)器生態(tài)融合依托社交生態(tài)的產(chǎn)品獨(dú)家私域語料、穩(wěn)定性好綁定單一生態(tài)開源可部署Dify 類平臺(tái)可本地部署、工具鏈國際化插件多需境外網(wǎng)絡(luò)選型時(shí)按這個(gè)順序問自己數(shù)據(jù)能不能出域不能 → 只能本地化方案其他不用看了。知識庫更新頻率每天變 → 必須支持增量更新不能整庫重跑。有沒有生態(tài)獨(dú)占數(shù)據(jù)有 → 優(yōu)先用能接這個(gè)數(shù)據(jù)的平臺(tái)。有個(gè)坑需要提醒跨平臺(tái)遷移成本極高。一旦在某個(gè)平臺(tái)搭了復(fù)雜工作流比如「視頻鏈接 → 文案提取 → 競品分析 → 報(bào)告生成」遷移到別的平臺(tái)要重寫 80% 以上的邏輯因?yàn)椴寮鷳B(tài)是綁定的。應(yīng)對策略是「核心能力自建 平臺(tái)只作分發(fā)」知識庫和 RAG 模塊保持平臺(tái)無關(guān)用標(biāo)準(zhǔn)向量庫 標(biāo)準(zhǔn)嵌入模型平臺(tái)層只負(fù)責(zé)界面和分發(fā)渠道。五、工程細(xì)節(jié)三個(gè)容易被忽略的配置細(xì)節(jié) 1temperature 與 Top-p 的選擇邏輯不是所有場景都要低溫度。創(chuàng)意生成類文案、故事需要溫度高一些保證多樣性數(shù)據(jù)查詢、事實(shí)問答必須貼近 0保證可復(fù)現(xiàn)——同一個(gè)問題問兩次得到不同數(shù)字在業(yè)務(wù)場景里是災(zāi)難。細(xì)節(jié) 2記憶要分層不是一層短期記憶是上下文輪數(shù)長期記憶是知識庫更新頻率。這兩個(gè)參數(shù)要分開調(diào)。常見錯(cuò)誤是把上下文輪數(shù)開到很大來「記住更多」結(jié)果 Token 爆了而且相關(guān)性反而下降——因?yàn)槿M(jìn)去的無關(guān)歷史會(huì)干擾模型。細(xì)節(jié) 3工具權(quán)限要顯式配置知識庫成員權(quán)限分公開 / 成員可見 / 私有三級。做企業(yè)知識庫時(shí)權(quán)限必須在前端可見地配不能靠「反正內(nèi)部系統(tǒng)沒人亂看」這種默認(rèn)假設(shè)。這條在合規(guī)檢查時(shí)一定會(huì)被問到。六、這套東西的邊界最后說清楚解決不了什么不能解決數(shù)據(jù)本身錯(cuò)誤。知識庫里寫錯(cuò)的文檔RAG 會(huì)把它當(dāng)權(quán)威答案輸出而且因?yàn)椤赣幸脕碓础癸@得更可信。不能替代流程梳理。工作流編排的前提是你得先把業(yè)務(wù)流程說清楚。流程本身混亂編排出來只是把混亂自動(dòng)化了。不降低領(lǐng)域知識門檻。低代碼讓開發(fā)門檻歸零但設(shè)計(jì)門檻更高了——提示詞怎么寫、工具怎么組合、記憶怎么分層這些需要業(yè)務(wù)理解不是拖拽能解決的。所以團(tuán)隊(duì)里真正稀缺的角色不是「會(huì)搭智能體的人」而是能把用戶目標(biāo)拆解成能力映射的人。這個(gè)活目前還沒被工具替代。結(jié)尾三階段模型最大的價(jià)值不是給技術(shù)分層而是給人一個(gè)判斷依據(jù)你現(xiàn)在要做的事到底該用哪個(gè)階段實(shí)現(xiàn)。很多項(xiàng)目失敗不是技術(shù)不到位是一上來就想做階段三結(jié)果可控性崩了。你在項(xiàng)目里踩過哪個(gè)坑是明明該用工作流卻硬上了自主智能體還是 RAG 檢索總召回不到對的內(nèi)容評論區(qū)聊聊。評論區(qū)互動(dòng)話術(shù)「關(guān)于階段二和階段三的邊界我們現(xiàn)在的做法是核心鏈路走工作流、異常兜底才放給智能體決策算是混合。想問問有沒有更明確的判斷標(biāo)準(zhǔn)比如節(jié)點(diǎn)數(shù)量超過多少就該考慮自主編排」「嵌入模型那個(gè)坑太真實(shí)了。我們之前寫入用了一個(gè)模型、查詢換成另一個(gè)檢索結(jié)果完全隨機(jī)排查了三天才定位。補(bǔ)充一個(gè)換模型之后必須整庫重建不能只換查詢側(cè)?！埂赶雴栂轮R庫更新頻率這塊你們是全量重建還是增量我們現(xiàn)在文檔量大概兩萬份全量重建一次要四十分鐘業(yè)務(wù)方抱怨更新不及時(shí)?！? 智能體三階段_從人設(shè)到目標(biāo)驅(qū)動(dòng)
智能體的三個(gè)階段從提示詞人設(shè)到目標(biāo)驅(qū)動(dòng)工程邊界在哪摘要市面上大量智能體其實(shí)只是包了人設(shè)的提示詞。本文用三個(gè)階段模型劃清能力邊界——提示詞人設(shè)、工作流編排、目標(biāo)驅(qū)動(dòng)自主體并給出 RAG 把回答準(zhǔn)確率從 60% 拉到 90% 的具體工程路徑與平臺(tái)選型依據(jù)。一、先定義清楚什么才算智能體判斷標(biāo)準(zhǔn)只有一條而且很干脆能不能調(diào)用工具。用戶直接提問、大模型直接給答復(fù)——這是大模型應(yīng)用。一旦模型具備了調(diào)用外部工具的能力聯(lián)網(wǎng)搜索、查數(shù)據(jù)庫、調(diào) API它才變成智能體。智能體包含大模型但大模型本身不是智能體。這條線劃清楚之后很多討論才有意義。比如「我在官網(wǎng)開了聯(lián)網(wǎng)開關(guān)是不是就在用智能體了」——嚴(yán)格講不是你操作的是一個(gè)應(yīng)用聯(lián)網(wǎng)能力是應(yīng)用層封裝好喂給模型的你沒有讓模型自己決定調(diào)不調(diào)。歷史上對智能體的理解分兩代時(shí)間提出者核心要素視角1986明斯基《意識社會(huì)》分布式智能體集合、層級協(xié)作、無中央控制認(rèn)知科學(xué)2023翁麗蓮OpenAI大模型、記憶、工具、規(guī)劃、行動(dòng)功能化系統(tǒng)設(shè)計(jì)明斯基那套是從認(rèn)知科學(xué)出發(fā)的哲學(xué)式定義和今天寫代碼完全是兩回事。真正能落地的是 2023 年那套五要素框架逐條對應(yīng)到工程大模型決策中樞負(fù)責(zé)推理和規(guī)劃記憶短期是上下文窗口長期靠向量庫 / 知識圖譜 / 微調(diào)工具擴(kuò)展能力邊界突破純文本限制規(guī)劃任務(wù)拆解 反思自省行動(dòng)實(shí)際調(diào)接口、執(zhí)行操作成熟度可以類比自動(dòng)駕駛 L4——人設(shè)定目標(biāo)和給資源AI 完成絕大部分執(zhí)行閉環(huán)。二、三階段模型能力越強(qiáng)可控性越弱這是我見過最實(shí)用的一張判斷表。分階段的依據(jù)不是「用了什么技術(shù)」而是誰來決定執(zhí)行路徑。階段一提示詞立人設(shè)典型形態(tài)是 GPTs、各類客戶端的「智能體」功能。你寫一段提示詞定義角色模型按這個(gè)人設(shè)回答。能力邊界非常清楚沒有自主工具調(diào)用沒有流程控制依賴模型固有能力。所以業(yè)內(nèi)管它叫「閹割版智能體」不算貶義只是準(zhǔn)確。適用場景角色扮演、風(fēng)格化寫作、固定話術(shù)的客服問答。這類場景不需要工具也不需要多步流程提示詞夠用。階段二工作流編排每一步的模型、插件、節(jié)點(diǎn)順序由人顯式指定系統(tǒng)按設(shè)定流程執(zhí)行。從編程范式類比這是「面向過程」——你寫的是流程圖不是目標(biāo)。所以它的特點(diǎn)恰好是確定性高、可控性強(qiáng)、異?？擅杜e。輸入 → 節(jié)點(diǎn)1(插件A) → 節(jié)點(diǎn)2(代碼) → 節(jié)點(diǎn)3(大模型B) → 輸出 ↓異常 重試/兜底分支階段二的工程價(jià)值被低估了。企業(yè)級落地時(shí)大多數(shù)場景其實(shí)應(yīng)該停在這一層因?yàn)闃I(yè)務(wù)方要的是「結(jié)果穩(wěn)定」不是「AI 自主」。讓 AI 自由決定怎么查數(shù)據(jù)出了錯(cuò)沒人能解釋為什么。階段三目標(biāo)驅(qū)動(dòng)自主體人只給目標(biāo)智能體自主完成任務(wù)拆分、工具選擇、進(jìn)度控制達(dá)成后自主結(jié)束。這是「面向目標(biāo)」的架構(gòu)。差別有多大舉個(gè)具體的讓人去對面桌子拿蘋果要拆成語音轉(zhuǎn)文本、視覺識別定位、機(jī)械運(yùn)動(dòng)控制多個(gè)環(huán)節(jié)每一步選什么工具、什么順序階段二需要人提前編排好所有分支階段三由智能體現(xiàn)場決定。從階段二到階段三是質(zhì)變但代價(jià)是可控性下降。所以生產(chǎn)環(huán)境的策略通常是核心業(yè)務(wù)鏈路走階段二探索型任務(wù)走階段三。下面這張圖是三個(gè)階段的關(guān)系可控性高 ←──────────────────────────────→ 可控性低 能力窄 ←──────────────────────────────→ 能力寬 階段一 階段二 階段三 提示詞人設(shè) 工作流編排 目標(biāo)驅(qū)動(dòng) │ │ │ 固定角色 固定流程 自主規(guī)劃 無工具 顯式選工具 自主選工具 ← 企業(yè)落地主戰(zhàn)場 →一個(gè)反直覺的結(jié)論階段二不是過渡形態(tài)它是終態(tài)之一。就像不是所有程序都需要用聲明式編程不是所有 AI 應(yīng)用都需要自主智能體。三、RAG把準(zhǔn)確率從 60% 拉到 90%知識庫是智能體「記憶」要素的工程載體。為什么必須有它三個(gè)具體痛點(diǎn)痛點(diǎn)具體表現(xiàn)解法訓(xùn)練數(shù)據(jù)滯后問 2025 年春節(jié)檔電影模型不知道聯(lián)網(wǎng)搜索領(lǐng)域語料缺失問私域健身方案模型沒學(xué)過私有知識庫私域數(shù)據(jù)不可見公眾號高質(zhì)量內(nèi)容不在訓(xùn)練集里特定數(shù)據(jù)源接入實(shí)測下來引入 RAG 后回答準(zhǔn)確率可以從 60% 提升到 90%。這個(gè)數(shù)字怎么理解——打個(gè)比方讓大模型去考一個(gè)它完全陌生的領(lǐng)域閉卷正確率可能只有百分之幾給了參考資料就相當(dāng)于開卷能順著資料找到方向正確率能到 90%。這里要說清 RAG 的完整鏈路兩步走數(shù)據(jù)存儲(chǔ)過程PDF / Word / Markdown → 文本切分chunking → 嵌入模型向量化 → 存入向量數(shù)據(jù)庫用戶查詢過程用戶提問 → 問題向量化同一個(gè)嵌入模型 → 向量庫相似度檢索 → 檢索結(jié)果作為上下文拼進(jìn)提示詞 → 大模型生成答案 標(biāo)注來源踩坑點(diǎn)這兩個(gè)過程必須用同一個(gè)嵌入模型。不同產(chǎn)品用的嵌入模型不一樣有的用 BGE有的用其他一旦寫入和查詢用了不同的模型向量空間不對齊檢索結(jié)果會(huì)完全隨機(jī)——而且不報(bào)錯(cuò)只是答得莫名其妙。這是最難排查的一類問題。四、平臺(tái)選型按場景而非按名氣主流的幾條路各有明確適用條件路徑代表優(yōu)勢代價(jià)本地化客戶端 本地知識庫數(shù)據(jù)完全本地、可離線需配 API Key 與嵌入模型在線便捷在線搜索類產(chǎn)品拖拽上傳即用數(shù)據(jù)存第三方服務(wù)器生態(tài)融合依托社交生態(tài)的產(chǎn)品獨(dú)家私域語料、穩(wěn)定性好綁定單一生態(tài)開源可部署Dify 類平臺(tái)可本地部署、工具鏈國際化插件多需境外網(wǎng)絡(luò)選型時(shí)按這個(gè)順序問自己數(shù)據(jù)能不能出域不能 → 只能本地化方案其他不用看了。知識庫更新頻率每天變 → 必須支持增量更新不能整庫重跑。有沒有生態(tài)獨(dú)占數(shù)據(jù)有 → 優(yōu)先用能接這個(gè)數(shù)據(jù)的平臺(tái)。有個(gè)坑需要提醒跨平臺(tái)遷移成本極高。一旦在某個(gè)平臺(tái)搭了復(fù)雜工作流比如「視頻鏈接 → 文案提取 → 競品分析 → 報(bào)告生成」遷移到別的平臺(tái)要重寫 80% 以上的邏輯因?yàn)椴寮鷳B(tài)是綁定的。應(yīng)對策略是「核心能力自建 平臺(tái)只作分發(fā)」知識庫和 RAG 模塊保持平臺(tái)無關(guān)用標(biāo)準(zhǔn)向量庫 標(biāo)準(zhǔn)嵌入模型平臺(tái)層只負(fù)責(zé)界面和分發(fā)渠道。五、工程細(xì)節(jié)三個(gè)容易被忽略的配置細(xì)節(jié) 1temperature 與 Top-p 的選擇邏輯不是所有場景都要低溫度。創(chuàng)意生成類文案、故事需要溫度高一些保證多樣性數(shù)據(jù)查詢、事實(shí)問答必須貼近 0保證可復(fù)現(xiàn)——同一個(gè)問題問兩次得到不同數(shù)字在業(yè)務(wù)場景里是災(zāi)難。細(xì)節(jié) 2記憶要分層不是一層短期記憶是上下文輪數(shù)長期記憶是知識庫更新頻率。這兩個(gè)參數(shù)要分開調(diào)。常見錯(cuò)誤是把上下文輪數(shù)開到很大來「記住更多」結(jié)果 Token 爆了而且相關(guān)性反而下降——因?yàn)槿M(jìn)去的無關(guān)歷史會(huì)干擾模型。細(xì)節(jié) 3工具權(quán)限要顯式配置知識庫成員權(quán)限分公開 / 成員可見 / 私有三級。做企業(yè)知識庫時(shí)權(quán)限必須在前端可見地配不能靠「反正內(nèi)部系統(tǒng)沒人亂看」這種默認(rèn)假設(shè)。這條在合規(guī)檢查時(shí)一定會(huì)被問到。六、這套東西的邊界最后說清楚解決不了什么不能解決數(shù)據(jù)本身錯(cuò)誤。知識庫里寫錯(cuò)的文檔RAG 會(huì)把它當(dāng)權(quán)威答案輸出而且因?yàn)椤赣幸脕碓础癸@得更可信。不能替代流程梳理。工作流編排的前提是你得先把業(yè)務(wù)流程說清楚。流程本身混亂編排出來只是把混亂自動(dòng)化了。不降低領(lǐng)域知識門檻。低代碼讓開發(fā)門檻歸零但設(shè)計(jì)門檻更高了——提示詞怎么寫、工具怎么組合、記憶怎么分層這些需要業(yè)務(wù)理解不是拖拽能解決的。所以團(tuán)隊(duì)里真正稀缺的角色不是「會(huì)搭智能體的人」而是能把用戶目標(biāo)拆解成能力映射的人。這個(gè)活目前還沒被工具替代。結(jié)尾三階段模型最大的價(jià)值不是給技術(shù)分層而是給人一個(gè)判斷依據(jù)你現(xiàn)在要做的事到底該用哪個(gè)階段實(shí)現(xiàn)。很多項(xiàng)目失敗不是技術(shù)不到位是一上來就想做階段三結(jié)果可控性崩了。你在項(xiàng)目里踩過哪個(gè)坑是明明該用工作流卻硬上了自主智能體還是 RAG 檢索總召回不到對的內(nèi)容評論區(qū)聊聊。評論區(qū)互動(dòng)話術(shù)「關(guān)于階段二和階段三的邊界我們現(xiàn)在的做法是核心鏈路走工作流、異常兜底才放給智能體決策算是混合。想問問有沒有更明確的判斷標(biāo)準(zhǔn)比如節(jié)點(diǎn)數(shù)量超過多少就該考慮自主編排」「嵌入模型那個(gè)坑太真實(shí)了。我們之前寫入用了一個(gè)模型、查詢換成另一個(gè)檢索結(jié)果完全隨機(jī)排查了三天才定位。補(bǔ)充一個(gè)換模型之后必須整庫重建不能只換查詢側(cè)?！埂赶雴栂轮R庫更新頻率這塊你們是全量重建還是增量我們現(xiàn)在文檔量大概兩萬份全量重建一次要四十分鐘業(yè)務(wù)方抱怨更新不及時(shí)?！?