针对金融研报生成场景，提出了一种简化的检索增强生成（RAG）实现思路。该方法跳过了传统的粗排与精排环节，转而利用大模型自身的能力来筛选相关信息并判断其充分性，为构建高效的智能体提供了新的视角。
智能速览
提出一种跳过粗排精排的简化RAG实现方案。
通过特定提示词，让大模型从数据块中自主筛选最相关的六个内容。
大模型会基于筛选结果判断信息是否足够，并以JSON格式返回结论。
当信息不足时，系统会自动调用额外搜索工具进行动态补充。
该方案的内部逻辑包含任务改写、子任务拆分和多路由并行执行。
精华内容
传统的检索增强生成（RAG）流程常依赖复杂的排序机制，但一种更直接的思路是让大模型承担起信息筛选与判断的核心任务，从而简化整个处理链路。
极简RAG流程
一种简化的检索增强生成（RAG）实现方案被提出。其核心在于跳过了技术栈中常见的粗排召回到精排的复杂步骤，旨在通过一个更为直接的流程来完成信息检索与整合的任务。
这种方法的简化并非牺牲效果，而是将关键判断环节交给了更擅长理解语义的大语言模型。
大模型自主筛选
该方法通过一个名为 `find_most_relavent_chunks` 的提示词，直接指示大语言模型从一个名为 `data_chunk_disc` 的数据块集合中，自主挑选出与问题最相关的六个数据块，并确保至少有一个被选中。
这个过程避免了传统算法可能因关键词匹配不足或向量计算偏差而导致的召回问题，更充分地利用了模型的深层理解能力。
信息足够性判断
在筛选出相关数据块后，系统会将这些内容（即 `used_data_chunk`）整合进新的提示词中，再次交给大模型进行判断。模型需要回答这些信息是否足以回答原始问题。
输出被严格规定为JSON格式，包含 `is_enough` 字段（“是”或“否”）和 `need_info` 字段。若信息不足，模型还需用一句话说明具体需要补充什么信息。
动态信息补充
当大模型判断现有信息不足以完成任务时，即返回的JSON中 `is_enough` 为“否”，系统会自动触发一个名为 `search_addition_data` 的额外搜索工具。
这个工具会根据模型提出的 `need_info` 需求，去获取更多外部数据，从而形成一个动态的、自适应的信息补充闭环，确保最终报告的全面性。
内部复杂逻辑
尽管呈现给用户的流程是简化的，但其背后依赖一套复杂的内部逻辑。当用户问题进入系统后，会经历任务改写、子任务拆分、路由判断（区分知识库、搜索、学术文献等）。
随后系统会并行执行LLM直接回答、百度搜索加深度爬取、ArXiv搜索加PDF解析等不同任务，最后汇总生成最终报告。相似性计算则结合了BM25文本相似度和Embedding向量相似度两种方法。
这种以大模型为核心的简化RAG思路，展示了利用模型自身能力优化系统架构的潜力。它不仅降低了工程实现的复杂度，还提升了信息筛选的精准度。未来，这种让AI自主判断和决策的模式，是否会在更多智能体应用中成为主流？
