Unblocked工程师Peter Werry演示关系型上下文引擎：解决RAG在结构化工程数据中的检索局限
AI Engineer会议视频选读。Unblocked公司的Peter Werry指出，传统RAG（向量相似度搜索）无法处理具有时间或结构属性的工程数据查询。他提出构建“关系型上下文引擎”，将自然语言转化为数据库查询，并通过模式发现、身份解析、查询规划和验证重试四个组件确保可靠性。该工作坊展示了如何基于GitHub仓库构建此引擎，适合关注AI工程化落地的读者。
在2026年10月11日发布的AI Engineer会议视频中，来自Unblocked公司的Peter Werry展示了一种名为“关系型上下文引擎”的技术架构，旨在解决传统检索增强生成（RAG）在处理结构化工程数据时的局限性。Werry指出，当用户询问如“上周合并的PR”这类带有时间或结构约束的问题时，仅依赖向量相似度搜索的RAG系统往往返回语义相关但时间错误或结构不符的结果。
Werry的核心论点是，RAG只是检索的一半，另一半是将自然语言转化为真实的数据库查询。在这种模式下，模型不直接回答问题，而是编写查询语句。他的工作坊通过六个叠加的Pull Request，演示了如何将一个存根查询游乐场转变为基于GitHub仓库的工作引擎。
为确保查询的可靠性，Werry提出了四个关键组件：模式发现（通过采样文档并合并为树状结构，使用程序代码而非模型推断类型）、身份解析（通过模糊匹配将用户映射到GitHub登录名）、查询规划（传递模式、强制工具调用提取名称并包含当前日期）以及验证与重试（默认拒绝策略，使用操作符白名单防止服务器执行JavaScript，并在精确匹配失败时回退到全文搜索）。
该资源适合希望了解如何将AI应用于复杂工程工作流、特别是需要处理具有明确结构和时间属性数据的开发者和技术决策者。虽然未提供完整转录文本，但出版商提供的详细章节描述和架构说明足以支持其技术主张的初步评估。