面向系统工程领域的知识库建设，基于 RAG 架构实现 SysML 模型知识检索， 辅助 AI Agent 理解业务上下文。覆盖文档摄入、向量化、多路检索、重排序到 Agent 上下文增强的全链路。
MBSE（基于模型的系统工程）平台需要处理大量 SysML 模型定义、工程文档和组件规范。 AI Agent 在执行建模任务时，需要理解这些领域知识才能生成正确的模型结构。 传统的关键词搜索无法理解模型间的语义关系——比如"状态机"和"状态转换"在关键词层面完全不同，但在 SysML 语义中是强关联的。
核心挑战包括：(1) SysML 模型定义的半结构化特征，难以直接向量化； (2) 模型间存在复杂的关联关系（继承、组合、依赖），需要保留拓扑结构； (3) AI Agent 需要实时检索相关知识作为上下文，检索延迟直接影响 Agent 响应速度； (4) 知识库需要随工程迭代持续更新，支持增量索引。
系统采用六层架构，从数据摄入到 Agent 上下文输出形成完整闭环：
当 AI Agent 需要理解某个 SysML 概念或查找可复用组件时，触发以下检索流程：
双路检索 + RRF 融合是核心设计。向量检索擅长语义匹配（"状态机" ↔ "状态转换"）， BM25 擅长精确关键词匹配（模型 ID、组件名称）。两路结果通过 RRF（Reciprocal Rank Fusion） 算法合并排名：对每个文档，计算其在两路检索中排名倒数的加权和，得到融合排名。 这种方法避免了不同检索器分数尺度不一致的问题，且无需训练。
知识库覆盖三类领域知识，各有不同的向量化策略：
知识库服务于 MBSE 平台的 11 个专职 Agent。每个 Agent 在执行任务前，先通过 RAG 检索获取相关领域知识， 将检索结果作为 Few-shot 上下文注入 Prompt。这种设计让 Agent 的行为从"凭空生成"变为"基于工程规范生成"。
关键设计：每个 Agent 有自己的检索模板（Query Template），将任务上下文转化为检索意图。
例如建模 Agent 的模板是 "SysML {model_type} definition for {component_name}"，
确保检索结果与当前建模任务高度相关。
核心价值：知识库让 AI Agent 从"凭空生成"升级为"基于工程规范生成"。 在 MBSE 建模场景中，Agent 能够自动检索相关 SysML 模型定义和组件规范， 生成的模型结构符合工程标准，减少了人工校验环节。 BGE Reranker 的引入将检索结果的前 5 条命中率从 65% 提升到 89%。