AI·rete·RAG Skill 技能

AI·rete·RAG 是一款将 Rete 规则引擎与 RAG 检索增强生成相结合的 MCP 服务器，专为 AI Agent 设计。它用纯 Python 实现的 Rete 规则引擎做确定性决策，同时由 LLM 基于策略文档生成自然语言解释，职责分离清晰，决策全程可审计、可复现。

产品简介

AI·rete·RAG 由独立开发者构建，核心出发点是解决 LLM 在需要可审计场景（信贷审批、欺诈检测、医疗分诊）中的"黑盒"问题。传统做法是让 LLM 直接做决策，再事后加护栏；而 AI·rete·RAG 将决策与解释彻底解耦：规则引擎给出判决，LLM 只负责用通俗语言解释为什么是这个结果，无法更改判决本身。产品提供免费层级，同时开源了 MCP 客户端（MIT 协议），引擎和平台部分暂时闭源。

核心能力

AI·rete·RAG 提供以下核心工具函数，Agent 可直接调用：

• decide：在指定域内基于结构化事实或自由文本做出决策，支持规则范围检索和工作内存检索两种 RAG 模式
• list_rules：查看域内所有规则，包括条件、判决、优先级和规则重叠情况
• get_rule_source：以可编辑的 YAML 格式导出域的完整规则集
• import_policy_rules：将书面策略文档转换为带引用的草稿规则，引用原文句子，不会自动保存，需人工审核后确认
• put_rules：从 YAML 创建或替换域的规则集，支持 dry_run 验证模式
• ingest_text：向域的知识库添加策略文本，供 RAG 检索使用
• list_documents：浏览域内已 ingestion 的所有文档
• get_usage：查看当前套餐和月度决策配额余量

安装配置

AI·rete·RAG 无需手动安装，依赖 uv 运行时按需拉取并执行。也可以从 PyPI 手动安装。安装和配置步骤如下：

1. 在 ai-rete-rag.com 注册账号，进入 Settings → API Keys，创建一把 API Key（格式为 ik_...，仅显示一次）
2. 配置环境变量 AI_RETE_RAG_API_KEY 为你的密钥，可选设置 AI_RETE_RAG_API_URL 指向本地或远程 API 端点（默认 https://ai-rete-rag.com）
3. Claude Code 用户执行命令：claude mcp add ai-rete-rag -e AI_RETE_RAG_API_KEY=ik_your-key-here -- uvx ai-rete-rag-mcp
4. 其他 MCP 客户端（如 Claude Desktop）可在 JSON 配置中填入相同参数即可使用

使用步骤

以信贷审批场景为例，展示完整调用流程：

1. 配置域：登录后创建 loan（贷款审批）域，可使用内置演示域无需注册
2. ingestion 策略文档：调用 ingest_text 将银行房贷政策文档注入知识库
3. 导入规则：调用 import_policy_rules 将文档转为草稿规则，人工审核后用 put_rules 确认上线
4. 发起决策：Claude 发出指令"用 AI·rete·rag 决定此贷款申请是否通过：信用分 645，年收入 52000 美元，申请金额 30000 美元"，Agent 调用 decide(domain="loan", facts={...})
5. 获取结果：Rete 引擎返回规则判决（如：拒绝），LLM 同步返回引用了政策文档条款的通俗解释，全程无 LLM 自主决策

适用场景

• 金融信贷审批：银行或互金平台将贷款政策写成文档，AI·rete·rag 根据规则自动判决，审批人员只读解释而不改规则
• 欺诈检测：风控团队维护欺诈规则库，Agent 对每笔交易调用 decide，规则引擎判断是否拦截
• 医疗分诊：医院将临床分诊政策文档化，AI 辅助护士做初步分诊建议，判决来自规则而非 LLM 幻觉
• 保险理赔：将理赔政策规则化，规则引擎处理日常案件，复杂案件转人工审核

适用人群

• 需要将 AI Agent 接入合规决策流程的企业风控/法务团队
• 希望在 Agent 工作流中加入可解释、可审计决策模块的 AI 工程师
• 对 Rete 规则引擎有需求、想用自然语言管理业务策略的非技术业务人员（可用可视化编辑器）

工作原理

AI·rete·RAG 的核心是两阶段流水线：规则判决 + RAG 解释。

第一阶段，Rete 规则引擎接收结构化事实（信贷申请数据），遍历规则网络，找到所有满足条件的规则并解决优先级冲突，执行最高优先级规则的判决（通过/拒绝）。Rete 算法是经典的生产式专家系统匹配算法，1974 年由卡内基梅隆大学 Forgy 博士发明，其核心思想是通过构建鉴别网络分离匹配项并缓存中间结果，以空间换时间，适合规则数量多但每次匹配对象相对少的场景。

第二阶段，RAG 模块从已 ingestion 的政策文档中检索与当前判决相关的段落，由 LLM 生成自然语言解释，说明哪条规则在什么条件下被触发、为什么做出该判决，并直接引用政策文档的具体句子。LLM 的角色是"解释者"而非"决策者"，其输出无法改变已由规则引擎确定的判决结果。

规则还可以主动引导检索范围：触发的规则会缩小文档检索的关键词，从而让 RAG 找到更精准的解释段落。同时支持审计模式，记录每条被评估的规则（包括未触发的规则）的完整条件快照，可随时回放。

官方链接

• 产品官网：https://ai-rete-rag.com/
• GitHub（MCP 客户端，开源 MIT）：https://github.com/zaharajabeen13-create/ai-rete-rag-mcp
• LobeHub MCP 市场页面：https://lobehub.com/zh-TW/mcp/zaharajabeen13-create-ai-rete-rag-mcp