迭代检索模式（Iterative Retrieval Pattern）
解决了多智能体工作流（multi-agent workflows）中的“上下文问题”——子智能体（subagent）在开始工作前往往不知道自己需要哪些上下文。
何时激活
- 生成需要事先无法完全预测的代码库上下文（codebase context）的子智能体时
- 构建上下文需要逐步优化的多智能体工作流时
- 在智能体任务中遇到“上下文过大”或“缺失上下文”的失败时
- 为代码探索设计类 RAG 的检索流水线时
- 优化智能体编排（agent orchestration）中的 Token 使用时
问题背景（The Problem）
生成的子智能体通常只带有有限的上下文。它们并不清楚：
- 哪些文件包含相关的代码
- 代码库中存在哪些模式（patterns）
- 项目使用了哪些术语
标准方法往往会失败：
- 全部发送：超出上下文限制。
- 什么都不发：智能体缺少关键信息。
- 猜测需求：经常猜错。
解决方案：迭代检索（The Solution: Iterative Retrieval）
一个由 4 个阶段组成的循环，用于逐步优化上下文：
┌─────────────────────────────────────────────┐
│ │
│ ┌──────────┐ ┌──────────┐ │
│ │ 派发 │─────▶│ 评估 │ │
│ │ DISPATCH │ │ EVALUATE │ │
│ └──────────┘ └──────────┘ │
│ ▲ │ │
│ │ ▼ │
│ ┌──────────┐ ┌──────────┐ │
│ │ 循环 │◀─────│ 优化 │ │
│ │ LOOP │ │ REFINE │ │
│ └──────────┘ └──────────┘ │
│ │
│ 最多 3 个周期，然后继续 │
└─────────────────────────────────────────────┘
阶段 1：派发（DISPATCH）
初始的广泛查询，用于收集候选文件：
// 从高层意图开始
const initialQuery = {
patterns: ['src/**/*.ts', 'lib/**/*.ts'],
keywords: ['authentication', 'user', 'session'],
excludes: ['*.test.ts', '*.spec.ts']
};
// 派发给检索智能体
const candidates = await retrieveFiles(initialQuery);
阶段 2：评估（EVALUATE）
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)：直接实现了目标功能
- 中 (0.5-0.7)：包含相关的模式或类型
- 低 (0.2-0.4)：间接相关
- 无 (0-0.2)：不相关，排除
阶段 3：优化（REFINE）
根据评估结果更新搜索条件：
function refineQuery(evaluation, previousQuery) {
return {
// 添加在高度相关文件中发现的新模式
patterns: [...previousQuery.patterns, ...extractPatterns(evaluation)],
// 添加在代码库中发现的术语
keywords: [...previousQuery.keywords, ...extractKeywords(evaluation)],
// 排除已确认为不相关的路径
excludes: [...previousQuery.excludes, ...evaluation
.filter(e => e.relevance < 0.2)
.map(e => e.path)
],
// 针对特定的缺口
focusAreas: evaluation
.flatMap(e => e.missingContext)
.filter(unique)
};
}
阶段 4：循环（LOOP）
使用优化后的条件重复执行（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);
// 检查是否已有足够的上下文
const highRelevance = evaluation.filter(e => e.relevance >= 0.7);
if (highRelevance.length >= 3 && !hasCriticalGaps(evaluation)) {
return highRelevance;
}
// 优化并继续
query = refineQuery(evaluation, query);
bestContext = mergeContext(bestContext, highRelevance);
}
return bestContext;
}
实践案例
案例 1：Bug 修复上下文
任务："修复身份验证令牌过期 bug"
周期 1:
派发 (DISPATCH)：在 src/** 中搜索 "token", "auth", "expiry"
评估 (EVALUATE)：发现 auth.ts (0.9), tokens.ts (0.8), user.ts (0.3)
优化 (REFINE)：添加 "refresh", "jwt" 关键词；排除 user.ts
周期 2:
派发 (DISPATCH)：搜索优化后的术语
评估 (EVALUATE)：发现 session-manager.ts (0.95), jwt-utils.ts (0.85)
优化 (REFINE)：上下文已足够（2 个高度相关文件）
结果：auth.ts, tokens.ts, session-manager.ts, jwt-utils.ts
案例 2：功能实现
任务："为 API 端点添加速率限制 (rate limiting)"
周期 1:
派发 (DISPATCH)：在 routes/** 中搜索 "rate", "limit", "api"
评估 (EVALUATE)：无匹配项 —— 代码库使用的是 "throttle" 术语
优化 (REFINE)：添加 "throttle", "middleware" 关键词
周期 2:
派发 (DISPATCH)：搜索优化后的术语
评估 (EVALUATE)：发现 throttle.ts (0.9), middleware/index.ts (0.7)
优化 (REFINE)：需要路由器模式
周期 3:
派发 (DISPATCH)：搜索 "router", "express" 模式
评估 (EVALUATE)：发现 router-setup.ts (0.8)
优化 (REFINE)：上下文已足够
结果：throttle.ts, middleware/index.ts, router-setup.ts
与智能体（Agents）集成
在智能体提示词中使用：
在为此任务检索上下文时：
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 等级）
3. 识别仍然缺失的上下文
4. 优化搜索条件并重复执行（最多 3 个周期）
5. 返回相关性 >= 0.7 的文件
最佳实践
- 由广入深，逐步缩小范围 —— 初始查询不要过于具体。
- 学习代码库术语 —— 第一个周期通常能揭示命名规范。
- 追踪缺失内容 —— 明确的缺口识别是驱动优化的关键。
- 见好就收 —— 3 个高度相关的文件优于 10 个平庸的文件。
- 果断排除 —— 低相关性的文件通常不会突然变得相关。
相关资源
- 长篇指南 (The Longform Guide) —— 子智能体编排部分
continuous-learning技能 —— 用于随时间改进的模式~/.claude/agents/中的智能体定义
