Rapidflare Agent Harness 四代演化：从简单RAG到精细路由的历程
Rapidflare 分享了其 AI agent harness 的四个代际：Spark、Flame、Blaze 和 Forge。文章详细介绍了前两代（2023-2025 年初）的技术演进：Spark 基于单一 RAG pipeline，追求紧凑和低成本但检索泛化不足；Flame 采用 classify-then-route，针对七种查询类型构建专用 pipeline，显著提升准确性但面临对话连续性差、类型扩展成本高等问题。第三、四代（Blaze 和 Forge）仅提及名称和发展方向，未展开。
Rapidflare 自 2023 年末起，共推出了四代 agent harness，内部代号依次为 Spark、Flame、Blaze 和 Forge。每一代都在知识范围、能力集和用户体验上实现阶跃式提升。
第一代：Spark（2023 末 ~ 2024 中）
Spark 是一条简单的检索增强生成（RAG）pipeline，包含四个阶段：Query Rewriter/Enricher（基于对话历史改写、补充缩写和零件号）、Retrieval + Rerank（混合向量+关键词检索，经交叉编码器重排）、Context Formatter（逻辑化组织上下文）、Answer Generator（LLM 生成引用来源的答案）。
优点： 每个回答均严格基于检索段落；成本低、速度快、可预测。
局限： 单一检索 pipeline 无法兼顾规格查询、竞品对比等不同查询的差异；现成的重排器仅能按段落间相关性排序，未与原始查询目标对齐；缺乏应对客户个性化需求的扩展点。
第二代：Flame（2024 中 ~ 2025 初）
Flame 采用 classify-then-route 设计，训练一个查询分类器将问题归入七种领域特有类型，为每种类型构建独立的静态上下文工程 pipeline。每个 pipeline 可定制提示词、检索器、重排器和输出生成器，并与前端 UI 绑定（如对比表格、产品卡片）。
七种路由：
products_spec：规格提取与单位归一化products_lookup：按规格参数筛选目录products_comparison：多零件全规格对比并生成差异表products_by_usecase：基于应用场景推理需求并推荐keyword_lookup：术语/词汇匹配与定义general_qa：通用检索增强生成agent_capability：自我描述能力边界
优点： 在技术销售场景（对比、规格搜索、选型）上准确率大幅提升；各 pipeline 独立迭代、互不干扰；UX 可控。
局限： 对话常跨多个类型，但强制分类-路由打断了连续性；增加新查询类型需要新建完整 pipeline，维护负担快速增长。
第三代 Blaze 与第四代 Forge
文中仅指出 Blaze 和 Forge 分别在后续时期推出，其中 Forge 是最新且最强大的 harness，但未提供具体技术细节。全文重点放在前两代的实践经验与教训上。