2026 AI 空间智能体 - 实体检索策略方案
定位：本方案聚焦实体检索（空间 / 设备 / 资产三池各自独立检索）的策略设计。Dify 知识库混合检索不属本方案范围（知识库由 Dify 自管理，走 Weaviate + 自带混合检索，其全文/向量权重配置由 Dify 侧维护）。
术语表
| 术语 | 含义 |
|---|---|
| Exact / Gazetteer | 实体名录精确匹配。由语义后台维护的"标准名 + 别名 + 物理路径/编码"构成的一张"名字→实体ID"精确查表。对应策略正文的"精确通道"。 |
| BM25（稀疏） | 词项重合召回，适合"8楼 会议室"这类词级匹配。 |
| Vector（稠密） | 语义近似召回，适合"东面那间"→"801"这类口语泛化。 |
| CE（Cross-Encoder） | 神经精排，打相关度分，用于融合后候选的最终排序。 |
| RRF | 倒数排名融合，按各通道名次融合，非按 scoreThreshold。 |
| X-Resolve-Engine | 请求头，切换 hybrid / hybrid-qdrant-rrf 两套引擎。 |
一、Dify 知识库场景 vs 实体对齐场景 对比
| 维度 | Dify 知识库 | 实体对齐（空间/设备/资产） |
|---|---|---|
| 检索对象 | 长文本 chunk，语义开放 | 短标识符（名称/别名/编码），语义封闭 |
| 核心诉求 | 召回（别漏，给 LLM 更多上下文） | 精确（别错，Top1/集合必须准） |
| 目标 | 给 LLM 提供上下文语料 | 给 LLM 提供确定性的执行锚点 |
| 错误代价 | 低（可再问 / 可补上下文） | 高（控错空间/设备是安全事故） |
| 结果形态 | 多段 top_k 交 LLM 综合 | 唯一实体或候选集合，交下游决策 |
| 权重关注点 | 全文/向量权重配比（keyword 0.3 / vector 0.7 等） | 非权重配比，而是通道策略（Exact/BM25/Vector）+ 级联收敛 + 歧义仲裁 |
| 技术底座 | Dify 自管理（Weaviate） | 自研 Hybrid 引擎（Qdrant 索引 + CE 精排，X-Resolve-Engine 切换） |
关键认知：实体检索与知识库诉求相反。知识库怕"漏"，实体怕"错"。因此实体检索的策略重心不在全文/向量权重怎么配，而在 精确优先 + 主从级联 + 歧义仲裁 + 调用方按场景定粒度。
二、核心原则
实体是执行锚点，控错是安全事故。原则一句话：能精确绝不模糊，能唯一绝不瞎猜，泛指就返回集合交给下游。
三、三类实体差异化策略
| 实体 | 精确通道 | 向量通道 | 权重倾向 | 特殊通道 | 空间依赖 |
|---|---|---|---|---|---|
| 空间 | 路径/楼层/房号（8楼、802、305） | 别名/口语（金朵云小会议室、东面的会议室） | 精确 > 向量（70:30） | 能力过滤（meeting 等） | — |
| 设备 | 设备名/短标识（主灯、空调） | 口语兜底 | 精确 > 向量（65:35） | 能力过滤（requireSemanticKeys） | 强，先定空间 |
| 资产 | 名称（空调、投影仪） | 泛化语义 | 向量略高（40:60），但需全文兜底防同款多实例 | 全文兜底 | 依赖空间收敛 |
说明：上表"权重倾向"指通道的启用优先级与命中权重（精确命中优先于向量），而非单一全文/向量权重混合。实体是确定性锚点，精确通道应优先生效。
四、返回粒度由调用方决定
接口不固定 TopN，每次检索调用方自行传 topN / 权重 / 阈值：
- 点名（"802大会议室"、"主灯"）→ Exact 高置信短路命中 → 收敛 top1
- 泛指（"8楼会议室"、"801的灯"）→ Exact 未收录泛型 → 落 BM25+Vector 融合召回候选集合，交下游决策（如预约推荐、群控聚合）
- 泛指时集合同样受能力/语义过滤约束，避免捞入无关实体
四之二、实体问法全景（评测用例分类基础）
源自早期《空间语义检索优化方案》的总结，作为评测与调参的用例分类骨架，也反证了"纯向量单通道不足、必须 Exact/BM25/Vector 多通道"的结论。
| 分类 | 典型输入 | 期望结果 | 命中通道 |
|---|---|---|---|
| A 精确别名 | "金朵云小会议室"、"数科大会议室" | 精确会议室 | Exact 精确命中 |
| B 定位+泛类型 | "8楼会议室"、"5楼会议室" | 该楼层全部会议室 | BM25/Vector + 路径通道 |
| C 纯定位 | "8楼"、"5楼" | 该楼层全部 | 路径通道（BM25 兜底） |
| D 业务自定义别称 | "东面的会议室"、"主楼的会议室" | 特定/一组会议室 | 依赖运营在别名中维护 → Exact |
| E 虚拟分区 | "行政区会议室"、"礼堂A区" | 分区下全部 | 路径通道（树结构透明） |
| F 纯模糊语义 | "那个大房间"、"靠窗的那间" | 语义最近 | 纯 Vector 泛化 |
关键约束：① 运营无法保证别名必含空间定位信息（如"8楼"），维护成本高；② "东面会议室"这类定制叫法可要求运营维护别名；③ 空间树不一定是标准楼栋-楼层结构，可含虚拟分区（行政区/访客区/礼堂A/B/C）；④ LLM 槽位抽取常只提取整体
room_name，不拆"位置"和"名称"。
四之三、A/B 双通道入库设计（Exact 通道的落地建法）
源自早期《空间语义检索优化方案》方案二，是"Exact/路径精确通道"的具体实现形态。一个空间实体产出两类入库文本：
| 通道 | 文本示例 | 检索方式 | 覆盖问法 |
|---|---|---|---|
| A 通道（语义别名） | 数科大会议室、8楼大会议室 | Exact + 混合（向量+全文） | A/D/F 类 |
| B 通道（空间定位） | 总部大楼 8楼 802 | 全文检索 | B/C 类 |
设计要点：
- A 通道 = 纯别名：仅含
aliases数组每条值，不拼接路径（避免"金螳螂西环路|总部大楼"前缀稀释别名信号）。 - B 通道 = 短路径：取空间树路径
楼栋|楼层|房号，去掉园区级公共节点；8F→8楼正则归一化；不包含会议室名/别名。 - A/B 共享 payload：
space_id、entity_type、cap_tags一致，通过channel字段区分。 - 节点别名不展开：路径仅存规范化原始名（如"总部大楼"不展开为"主楼/1号楼"），避免排列组合爆炸；"主楼"可搜到由运营在对应会议室别名中维护。
- 虚拟分区透明处理：空间树是什么结构就存什么路径文本，无需特殊逻辑。
该双通道思想对设备/资产同样适用：设备名/别名走 A 通道（Exact 短路），物理编码/路径走 B 通道（精确检索），共用同一 Qdrant collection，
channel区分。
五、向量之外提召回的手段（按价值排序）
- 主从级联（空间锚定）：设备/资产先定空间再查，召回空间从全量缩到空间内，精度速度双升。
- Exact / Gazetteer 精确匹配（对应上文"精确通道"）：路径/楼层/编码/
iot_ref_id及语义后台维护的标准名+别名，构成一张"名字→实体ID"精确查表。点名时高置信命中直接短路置顶，不进向量/CE。解决"金朵云小会议室"被向量混入"金朵云大会议室"、路径稀释别名分数等纯向量/BM25 无法区分的精确名问题。 - 歧义仲裁：候选间分差 < 阈值时主动追问而非瞎猜，是安全敏感实体的正确性底线。
- Query 构造治理：resolve 喂纯实体词而非整句，避免"8楼301的空调坏了"这类整句噪声淹没实体词（当前 FA 场景已暴露此痛点）。
五之二、落地检索引擎形态（技术实现口径）
与"向量之外提召回手段"配套的技术实现，已由技术同学落地为两套 Hybrid 引擎，共用同一套 Qdrant 索引与 Cross-Encoder（CE）精排，请求头
X-Resolve-Engine切换。本方案从策略侧给出选型倾向。
1. 两套引擎对比
| 维度 | hybrid（三路精排） | hybrid-qdrant-rrf（融合召回 + Exact 短路） |
|---|---|---|
| 召回 | Exact ∥ BM25 ∥ Vector 并行三路 | Exact ∥ Qdrant Prefetch+RRF 一次融合 BM25+Vector（少一次往返） |
| Exact 处理 | 与 BM25/Vector 一起进 CE，模型对全量并集仲裁 | 高置信命中直接短路置顶，不进 CE（catalog/实体定位通用做法） |
| CE 精排 | 全量并集，文档量不封顶 | 只精排融合后 trunk，有 top-N 预算 |
| 失败兜底 | CE 失败降级 Noop（保留原召回分） | CE 失败降级客户端 RRF，可用性更好 |
| 优势 | 难语义/多候选质量上限更高，适效果实验/A-B | 更省、更稳，精确名更稳，接近业内产线形态 |
| 代价 | CE 更重、延迟与成本更高 | 边界难 case 质量上限可能略低于三路全量 CE |
2. 本方案的选型倾向
- 线上产线默认
hybrid-qdrant-rrf：Exact 短路管"点名"，RRF+CE 管"泛指"，与第四节"点名收敛/泛指返集合"的分工天然契合，且省 CE、稳。 hybrid用于效果实验 / A-B：在难语义、多候选边界 case 上验证质量上限，不直接上产线。
3. 关键技术陷阱（必须遵守）
- RRF 与 CE 阈值不可混用：RRF 按各通道名次融合，不是按 scoreThreshold；
scoreThreshold是 CE 精排之后的门控。两套分数（RRF 名次分 vs CE 相关度分）不能共用同一默认阈值。 - Exact 不是边角逻辑：它是 gazetteer（名录精确匹配），高置信短路是实体定位的通用做法，负责"点名即命中"，不可省。
4. 业内做法小结（选型依据）
两个"要不要"（是否先 RRF、是否三路全进 CE）业内无唯一教条，但产线有更常见的默认组合。据此支撑本方案选型。
4.1 是否先 RRF（稀疏+稠密先融合，再精排）
| 做法 | 业内态度 | 典型场景 |
|---|---|---|
| 先 RRF / 引擎内 hybrid，再 CE | 产线最常见 | 控延迟与 CE 成本（Qdrant/ES hybrid） |
| 多路并集，不先 RRF，直接 CE | 也常见 | 通道少、打质量上限、实验 |
| 只用 RRF，不上 CE | 常见于轻量链路 | 无精排预算、极致延迟 |
| 加权/学习融合，再 CE | 进阶 | 有标注、要调通道权重 |
一句话：先 RRF 不是必须，但线上默认更常选；不 RRF 直接 CE 也完全正规。
4.2 是否三路（Exact+BM25+Vector）都进 CE
| 做法 | 业内态度 | 典型场景 |
|---|---|---|
| Exact 高置信短路（bypass），只让模糊集进 CE | 产线更常见（catalog/实体定位） | 全名、别名、编码可判定 |
| Exact 也进 CE，统一仲裁 | 有，偏消歧/防脏规则 | Exact 规则易误伤、要模型纠偏 |
| 完全没有 Exact | 少见 | 纯语义可以；但 NL→实体ID 很少 |
一句话：Exact 该有；bypass 更贴产线，全进 CE 是合理变体，不是更正统。
4.3 与本方案两引擎的对应
| 引擎 | 先 RRF | Exact 处理 | 更像 |
|---|---|---|---|
hybrid-qdrant-rrf | ✅ Qdrant Prefetch+RRF | Exact bypass，trunk 进 CE | 产线默认组合 |
hybrid | ❌ 三路并集 | 三路都进 CE | 效果实验/打上限 |
4.4 对外可说的结论
- 选型看指标，不看"谁更像业内"：gold hit@1、空结果率、p99、CE 费用。
- 推荐表述：默认跑
hybrid-qdrant-rrf；hybrid做对照与难 case，二者不互相否定。
六、评测
复用现有测试方法（SA 会议预定 / SA 设备控制 / FA 一键工单）口径：
- recall@1：点名场景 Top1 是否命中
- 命中率 / 过度召回率：泛指场景集合是否过大
- 独立脚本批量调用，反哺 topK / 阈值 / 权重调参
6.1 阈值门控基线：双层相对阈值（源自早期方案）
早期纯向量方案的固定阈值（0.6/0.7）暴露了"一刀切"问题：Case 1 顶分 1.0 时 0.7 引入大量噪声，Case 2 顶分仅 0.757 时 0.7 又滤掉正确结果。据此沉淀"双层相对阈值"作为过滤基线，供精排后门控参考：
top_score = candidates[0].score
effective_threshold = max(top_score * 0.85, 0.60)
filtered = [c for c in candidates if c.score >= effective_threshold]
若 filtered 为空 → 兜底返回 top1注意：该口径源自"分数直出"的纯向量时代；当前引擎为"RRF 名次分 + CE 相关度分"，阈值必须按精排后的分数体系重新校准（见五之二·3，RRF 与 CE 阈值不可混用），此处仅作为相对门控思想（相对 top 分下移、防一刀切）的基线保留。
6.2 早期真实 case 证据（评估基线）
Case 1 搜"金朵云小会议室"（期望 502/503，噪声 501/801/802）：
| rank | 空间 | 分 | 判定 |
|---|---|---|---|
| 1 | 503 | 1.0 | ✅ 别名命中 |
| 2 | 502 | 1.0 | ✅ 别名命中 |
| 3 | 501 | 0.81 | ❌ "大会议室"语义近 |
| 4 | 801 | 0.75 | ❌ 噪声 |
| 5 | 802 | 0.64 | ❌ 噪声 |
Case 2 搜"数科大会议室"（期望 802，噪声 501/801/503/502）：
| rank | 空间 | 分 | 判定 |
|---|---|---|---|
| 1 | 802 | 0.76 | ✅ 命中但分低（路径前缀稀释别名信号） |
| 2 | 501 | 0.63 | ❌ 噪声 |
| 3 | 801 | 0.62 | ❌ 噪声 |
两 case 印证三个结论：① 路径前缀"金螳螂西环路|总部大楼"占用了 embedding 注意力预算，稀释别名信号（Case 2 top 仅 0.76）→ 需 A/B 双通道（四之三）；② 纯向量无法区分"大/小会议室"（Case 1 的 0.81）→ 需 Exact 精确命中；③ 固定阈值无法同时满足两例 → 需相对阈值或精排后门控。
七、多跳衔接（说明归属，不展开）
空间检索 topN 结果作为 meta 过滤驱动下一跳设备/资产检索的具体多跳逻辑，归属各 subagent 设计文档，本方案不展开。