最近我们已经全落地了一个AI用例生成的Agent，在这个项目中，有两个难点：
其一，就是不同团队和组织的需求输入格式不一致，有使用研发平台进行需求管理，有使用飞书、word、ppt、markdown等等各种类型，长度复杂度不一致，小需求或清晰功能点还好，但是一设计到复杂功能设计文档或者长需求文档就存在上下文问题、重点信息丢失问题。
其二，如何提高个人私有经验和知识对生成质量的作用？
之前尝试过各种Rag、rerank、Graph等知识库，但是效果不尽人意，主要问题在于文本截断、块的上下文理解不足、全局性差的问题，直到看到Google这篇文章，才给了我新的启发。
ReadAgent是一种全新设计的阅读类agent，可以完成长上下文文章的理解和信息检索，且可以在一定程度长保证对文章的总体理解，就和人一样进行阅读。
人在阅读的过程中，总时习惯读一段内容后进行思考和总结，并总使希望将这段内容和原先读的内容进行关联性思考，这是人的逻辑使然。ReadAgent模仿这一点，进行了设计：
1. 逐步阅读，通过LLM对文章进行自然分段
2. 将分段进行摘要总结
3. ReadAgent在执行任务时，根据提示寻找对应的分段进行理解输出。
文档分页
可以使用LLM最大的上下文限制作为输入，创建Prompt让LLM按照语义对文档进行分页，保证每个分页都可以涵盖一个语言逻辑块，比如对话结束，描述转折等，当然也可以人为进行分页
创建摘要建立关系
将每一个分页传给LLM，并给LLM进行提示，让它创建一个精简摘要，并将这个摘要和原始文本进行对应存储，但这里存在一个问题是，如果分页内容很长，则会出现，精简后丢失细节信息，所以这里需要自己把握分段内容和长短
检索查找
通过上面两个步骤已经建立了知识库，接下来介绍两种不同的查找逻辑，一种是并行查找P查找，一种是顺序查找S查找，原理是将摘要给LLM，让LLM进行判断，要看哪些分页，然后将分页内容作为从知识库中检索到的内容给Action agent进行任务执行。
实践
开发一个文档知识库创建的Agent
以Word为例，按照Word的标题级别，对文档进行分页，这里需要对Word内容进行解析：
from docx import Documentfrom docx.oxml.ns import qndoc = Document(docx_path)for element in doc.element.body: # 处理标题、文本、图片...
最终将得到两个文件：一个是摘要文件，一个是原始分页文件：
文档中的图片可以使用多模态模型例如qwen3-vl进行文本转化。
开发一个检索Agent
这个可以使用n8n或dify来做，也可以使用代码，为了快速实现，我这里使用了dify：
总体测试下来，七八千字含图的长需求文档读取和查阅还是比较准确的，且有上下文的信息。
同理PPT也可以采用同样的思路，当前我的处理逻辑是使用pptx库，将每页文本提取出来。
from pptx import Presentation
for slide_number, slide in enumerate(prs.slides, 1): slide_content = { 'number': slide_number, 'title': '', 'notes': '' }
然后将每一页作为一个分页，其中的图片仍然使用多模态模型进行文本转化。
不过这种方式处理PPT有一个问题，就是无法将ppt中的文本信息格式化输出，如有一些结构话的表达，比如流程图、标题级别、列表等，会丢失这部分信息。
所以接下来，我会将每一页ppt输出为图片，给多模态模型进行理解，然后输出一个markdown类型的文本，这样就保留了文本的层次信息。
总结
使用ReadAgent可以很好的处理文本类的文档和长篇文章，同样也可以结合多模态模型进行图片处理。这种思路和人类看一篇文章的思路一致，既可以进行精确的文本检索，也可以保留概括信息，也能理解不同分段之间的思路逻辑。
粤ICP备14082021号
免费POC，
零成本试错
