LlamaIndex推出Retrieval Harness：让AI代理像开发者一样翻阅文件

起因：RAG 已经不够用了，Agent 需要文件系统 过去一年，基于 RAG（检索增强生成）的应用铺天盖地。但 LlamaIndex 团队发现，当他们的用户开始构建真正的企业 Agent 时，传统的“先切片，再搜索”模式很快失效了。于是，他们推出了 Retrieval Harness，一套专为 Agent 设计的文件系统原语。这背后的逻辑很简单：人类开发者找信息时，不会只依赖一次模糊搜索——我们会 ls 看目录、grep 精确匹配、打开文件读上下文。Agent 也需要这样的能力。

拆解：四个文件系统工具和一个杀手级功能 Retrieval Harness 把知识库暴露出四个类似 Unix 命令的 API：

• Hybrid Retrieve：混合向量+关键词+重排序，快速定位相关文件；
• List Files：让 Agent 知道索引里有哪些文件，就像 ls；
• File Grep：服务器端正则扫描，Agent 可以精确查找特定字符串（如产品序列号），无需返回整个语义块；
• File Read：当语义块被截断时，Agent 可以调用一个直接读取 API，获取周围的完整上下文。 此外，他们还加入了视觉布局保留——解析文档时直接捕捉页面截图，并与文本块关联。这对于表格、财务报表、结构图等依赖布局的内容至关重要。Agent 可以直接“看”原页面，避免文字化丢失信息。

趋势洞察：从 RAG 到 RAA（检索增强行动） 这个发布标志着一个关键转变：AI 应用正从“检索信息”走向“执行动作”。Agent 不再是被动接收上下文，而是主动探索和操作数据。传统的 RAG 管线是静态的：生成时拼凑几个片段，好坏全看运气。而 Retrieval Harness 提供的是动态、确定性工具，让 Agent 能像资深工程师一样，在文档森林里按图索骥。这意味着 RAG 正在演化为 RAA（Retrieval-Augmented Action），或者更准确地说，是 RAG 与 Agent 的深度融合。

实用价值：开发者现在可以做什么？ 对于正在构建企业 Agent 的团队，这个工具直接解决了几个痛点：成本（避免盲目加载整个文件）、准确性（精确定位避免幻觉）、可观测性（清晰的日志和指标）。你可以立即用 LlamaParse Index 创建这样的索引，并通过标准的 API 调用让 Agent 使用这些文件系统工具。特别是处理复杂的法律合同、技术手册或金融报告时，File Grep 和 Read 能大幅降低 token 消耗，同时提升回答的可靠性。

反常识：语义搜索不是银弹，确定性工具才是 Agent 的基石 很多开发者过度迷信向量搜索，但实际业务中，大量查询是精确的（如某个订单号）。用语义搜索可能返回一堆不相关的结果，然后让 Agent 在混乱中迷失。Retrieval Harness 的思路是回归文件系统的基本体验：先搜、再列、再 grep、再读——这正是人类处理信息的本质路径。AI Agent 不是魔法，它需要一套系统工程工具箱，而文件系统原语就是拼图中最关键的一块。

原文地址: Announcing Retrieval Harness