01 / 背景：痛点来自田野，不是来自想象
我在印尼做过 6 个月实地调研，又访谈了 30+ 出海企业负责人， 反复听到三类抱怨：本地信息不足（英文/中文资料覆盖不到本地市场）、 跨国资料误用（拿 A 国政策套 B 国市场）、结论无依据（咨询报告贵且不可验证）。
通用大模型在这类问题上恰恰不可靠：它会编造政策条文、混淆国别、给出一本正经但无出处的「建议」。 对一个要做真金白银决策的企业来说，这比没有答案更危险。
02 / 定义产品：四个指标，就是四条底线
我把田野中发现的三类痛点翻译成四项可量化的产品指标——它们后来直接构成评测体系的维度：
- 国家匹配：答案必须针对目标国家，不允许跨国情资料显示；
- 证据支持：每条关键结论必须挂载出处，「无引用不输出」；
- 来源质量：官方信源 > 本地媒体 > 一般网页，质量分层可见；
- 行动建议：不止解释「是什么」，还要给出「下一步怎么做」。
03 / 架构设计：Harness 管秩序，Agent 干专业的事
- Harness 层：负责搜索路由、上下文管理和质量门禁——它决定「这个问题该怎么查、查到的结果够不够格进入生成」。
- Multi-Agent 协同：Search Planner 规划检索策略 → Insight 做证据分析 → Report 组织报告生成 → Critic 做引用核验与自我批评，各司其职。
- 信源工程：构建覆盖 195 国、2,367 个分层信源的 Market Pack（1,265 个官方信源 + 1,102 个本地媒体），支持按目标国家调用当地语言来源。
- 知识库补全：以外交部、商务部等 311 份官方文档切成 71,904 Chunk 建立知识库，用 RAG 补足基础信息盲区；通过人工标注与 Top-K 评测确定 K=8。
评测驱动架构：K 值不是拍脑袋定的，是测出来的。凡是影响输出质量的参数，都应该有实验支撑。
04 / 评测迭代：硬门禁卡底线，Judge 拉上限
- 双轨评测体系：代码硬门禁做确定性校验（引用存在性、国别一致性等一票否决项），LLM-as-Judge 打七维主观分；
- 回归集 10 题 + 泛化集 5 题：每轮迭代必须过回归、看泛化，防止按下葫芦浮起瓢；
- 五轮迭代成果：综合评分 2.94 → 3.33（+13%），Actionability +25%，Citation Quality +15%，硬门禁通过率达到 100%。
05 / 工程落地与反思
基于 Vercel、Render Worker 与 Supabase 完成线上部署，支持多国家并行研究、 多轮追问、企业知识库接入与运营监控看板。
如果重来一次：我会更早引入 Critic Agent 的国别一致性核验——前两轮迭代里 跨国资料串味是最顽固的 Bad Case，后来才发现与其在生成端反复打补丁，不如在核验端设一道闸。 把质检做成架构的一部分，而不是迭代的补丁。