chasebarrett/scarpa-rag-agent

# SCARPA RAG Agent **学习项目 | Retrieval-Augmented Generation | ChatGPT Agent Builder** 一个实操学习项目：一个基于 **ChatGPT 的 Agent Builder** 构建的 **RAG (Retrieval-Augmented Generation)** agent，能够用自然语言回答有关 SCARPA 鞋类产品线的问题。 目标是通过亲自动手构建并观察其运行情况，而不是仅仅阅读相关文章，来真正理解 agent 工作流的实际行为——包括 **RAG、prompt 分类和 guardrails**。 ## 目录 - [我构建了什么](#-what-i-built) - [我的收获](#-what-i-took-away) - [为什么在此止步](#-why-i-stopped-here) - [技术栈](#-stack) - [代码库](#-repository) - [免责声明](#-disclaimer) ## 🧱 我构建了什么 我使用 ChatGPT 的 Agent Builder 设计并测试了一个六阶段的工作流：  该 agent 接收一个自然语言问题，将其通过输入 guardrail 进行路由，分类到六个产品类别之一，查询特定类别的 vector database，运行输出 guardrail 检查，最后返回答案。 概念层面如下：  | 步骤 | 组件 | 功能描述 | |------|-----------|--------------| | 1 | Prompt 输入 | 用户提交一个自然语言问题 | | 2 | 输入 guardrail | 筛查 PII、越狱尝试和 prompt injection | | 3 | 分类器 | 将 prompt 路由到六个产品类别之一 | | 4 | Vector DB 搜索 | 查询特定类别的数据库 | | 5 | 输出 guardrail | 检查答案对检索数据的忠实度 | | 6 | 交付 | 将验证后的响应返回给用户 | SCARPA 的产品目录被转换为 Markdown 格式，并加载到六个独立的 vector store 中——每个类别一个——而不是单一的组合索引。 ### 产品类别 | 类别 | 查询示例 | |----------|--------------| | 越野跑 | "Golden Gate 2 的前后掌落差是多少？" | | 接近 | "哪款鞋最适合混合地形？" | | 攀岩 | "Instinct S 是激进款吗？" | | 登山 | "Ribelle 和 Phantom 相比如何？" | | 滑雪 | "Maestrale RS 的硬度指数是多少？" | | 生活方式 | "SCARPA 有什么适合日常的多功能选择？" | ## 🧠 我的收获 架构只是起点。有趣的部分在于探索它*为什么*必须设计成那样。 **Retrieval-Augmented Generation。** 将 LLM 的输出建立在外部检索到的数据之上，而不是依赖于模型的参数化记忆。该 agent 是根据目录来回答问题，而不是根据模型自认为对 SCARPA 的了解。这种区别重新定义了许多 LLM 的行为方式。 **Context pollution。** 检索到的上下文并非越多越好。无关或关联性弱的 chunk 会与正确信息产生竞争，从而降低回答质量。按类别进行分片不仅仅是一种优化手段，更是一种保护模型免受自身干扰的方法。 **概率性检索与生成。** LLM 并不是在“查找”答案，vector search 也不是在“找到”它们。这两个阶段都是基于相似度的概率性工作。如果将其中任何一个视为确定性的过程，往往会导致系统在部署后出现不可预测的故障。 **分类作为路由层。** 在检索*之前*将查询发送到正确的索引，正是让分片发挥作用的关键。如果没有分类，分片就会失去意义。 **双端 guardrails。** 输入 guardrails 负责筛查传入的内容。输出 guardrails 负责验证答案是否偏离了检索到的数据。它们应对的是不同的失败模式，因此需要不同的检查机制。 ## 🛑 为什么在此止步 ChatGPT 的 Agent Builder 是一个工作流建模和原型设计环境——而不是部署平台。如果要让该项目超越构建和测试阶段，就意味着必须在 Agent Builder 之外，使用不同的技术栈重新构建相同的工作流，这将是一项部署练习，而不是学习练习。 当我能够提交一个 prompt，观察它通过分类器路由，命中正确的 vector store，并返回经过验证的答案时，概念上的目标就已经实现了。如果继续深入，相对于我最初想学到的知识而言，只会产生边际效益递减的效果。 **2026 年 6 月更新：** OpenAI 此前已宣布将逐步关闭 Agent Builder（连同 Evals 一起），计划于 2026 年 11 月 30 日关停；现在它将生产环境的工作流指向了 [Agents SDK](https://github.com/openai/openai-agents-python)。这进一步印证了上述观点——Agent Builder 是*学习*这些概念的理想环境，但并非用于部署。我所总结的经验（RAG、分类、guardrails）是与技术栈无关的，完全可以迁移到该 SDK 或任何其他编排层中。 ## 🔧 技术栈 | 工具 | 用途 | |------|---------| | ChatGPT Agent Builder | 工作流设计与编排 | | Vector stores (×6) | 针对特定类别的语义搜索 | | Markdown | 产品目录格式 | ## 📁 代码库 ``` scarpa-rag-agent/ ├── README.md ├── data/ # Six markdown product catalogs └── assets/ ├── workflow.png # Agent Builder screenshot └── scarpa_agent_architecture.svg # Conceptual flow diagram ``` ## 📄 免责声明 这是一个个人学习项目，旨在探索 RAG 和 agent 工作流概念。它不隶属于 SCARPA，也未获得 SCARPA 的认可或赞助。 `data/` 中的产品名称、描述和规格均为 SCARPA S.p.A. 的知识产权，此处包含它们仅出于教育和作品集展示的目的。这些产品数据未获授权进行重新分发或商业使用。 工作流设计、架构及相关文档均为我个人独立完成的工作。

标签：ChatGPT, DLL 劫持, Promptflow, RAG, 人工智能, 大语言模型, 提示词工程, 用户模式Hook绕过, 策略决策点, 防御加固