魔搭开源动态检索新框架Sirchmunk，无需预构建向量索引

静态知识库范式隐含一个前提——知识是稳定的。来源指出，一旦问题涉及复杂上下文或时间敏感场景，静态知识库会迅速过期：昨天正确的答案，今天就可能变成幻觉。这是 Sirchmunk 试图回应的起点，也是理解其设计取舍的关键。

传统 RAG 的流程是解析文档、切分文本、计算 embedding、写入向量库，查询时用问题召回 top-k 片段。语料稳定时这条路线成熟高效，问题出现在数据持续变化时：每新增、修改或删除一个文件，系统都要同步重新解析文档、更新 chunk、删除旧向量，并保证索引与原始文件同版本；更严重的是，embedding 模型升级时全部历史索引都需要重建。

于是索引从服务检索的组件，变成一条需要长期维护的数据管线。Sirchmunk 换了一种方式：把当前动态原始文件直接作为起点，查询发生时再去搜索、读取、核验，把算力集中在最可能包含答案的热点区域。最直接的收益是缩短 Time-to-First-Query——文件进入目录后，不必等待一轮全量加工就能被查询。

Sirchmunk 的核心算法叫 LENS，全称 Latent Evidence Navigation and Search，即“隐式证据导航与检索”。其算法架构可归纳为五个动作：接收问题和当前时刻的原始文档；用关键词、路径结构、摘要和历史经验形成低成本先验；在预算内反复提出候选、读取原文、更新判断；合并证据，生成带来源的答案；把成功经验保存为可复用知识，反馈给未来的查询。

所谓“隐式证据空间”，指文档中所有可能作为证据的连续片段共同构成的搜索空间。LENS 把文档中任意连续片段（d,s,e）视为潜在证据窗口，不预先固定切分方式，由系统在问题到来后决定读取哪一段、边界向外扩展到什么位置。来源举的例子是一份 500 页维修手册，用户问“故障码 E217 为什么会在低温启动时触发”，答案可能分散在故障码说明、低温限制和启动流程三处，预先切好的固定 chunk 未必正好覆盖。

LENS 对每个事实需求追求“最小充分”的证据窗口：目标不是最短，而是尽量紧凑又不丢失上下文，以降低噪声并便于回到原文核验。检索同时受成本约束，包括搜索与读取文件成本、模型判断与工具循环成本、上下文 token 成本，B 为本次查询的总预算。问题因此转化为：在预算内，为每个必要事实定位到足够可靠的证据。

结构上 LENS 分两层。第一层用关键词命中、目录结构、文档摘要、层级索引或历史证据等多路低成本信号建立可能性地图；第二层按 Propose→Observe→Update 闭环，根据新读到的证据调整下一步动作。来源强调，树索引、摘要索引和目录清单只是可选的加速器，缺失或过期时搜索仍可回到原始文件。

停止条件同时看证据与预算：证据达到问题类型要求的充分程度时停止；预算耗尽时也必须停止，并保留不确定性，而不是强行给出一个看似完整的答案。不同问题的门槛不同，明确的事实查找可以相对宽松，日期比较、数值计算和多跳问题更严格。