现在公司有超过百万文件的大仓，在现有的 AI Agent (Cursor/ClaudeCode/Antigravity)下可以 Agentic Search 走 grep 、find 、ls 等命令根据关键词全局找相关代码，然后修改，但这种有几个问题：
- 检索能力受限 在大仓上，检索的关键词容易遗漏关键路径，把不相干的内容加入时会占用上下文窗口，后续模型会遗漏一些文件；
- 缺少代码结构 检索是 AI 自己给的关键词进行，缺乏真实代码的语义和代码调用、依赖关系等
因此，我们实现了一个 CKG 方案，解析了文件结构之后，分析出依赖、调用关系之后生成代码摘要，然后向量存储，最后提供MCP 给 Agent 做大仓代码检索。
但理想是好的，现实使用时遇到了问题：
- 查询的错配 当使用自然语言提问时（如：我的头像双击逻辑），Agent 在调用 CKG MCP 时给到工具的 query 关键词可能是 "avatar double click"、"user icon interaction" 等，会丢了我的，这样检索出来的结果会不理想，再重排序意义也不大，因为召回的内容不匹配，本质还是关键词由 LLM 生成的，有一定的不可靠；
关于这个大家有什么好的想法？
 | 1 111111111111 11 天前 请求来自于 agent ，可以考虑使用一个 LLM 对请求进行加工和理解（比如翻译为中英双语、生成多个候选检索词），然后再进行检索 另外谷歌提过 agent call agent 的思路，可以考虑做一个 agent 来进行细致可控的检索，然后通过 mcp 提供给原 agent |
 | 2 jolly336 OP @111111111111 有道理，现在准备对 LLM 关键词进行二次理解和处理多路查询下，之前还想过对检索这里单独做个 agent ，在里面控制下流程，还能节省主 agent 的上下文 |
Select Language