佬们好，最近我们在架构一个面向海量文献/文档的多智能体（Multi-Agent）业务平台，遇到了一些底层数据引擎的设计瓶颈，想听听一线大佬们的实战经验。 
【当前架构背景】 我们底层的知识库准备走向“四库异构”架构：DocDB（存全文）+ KGDB（存实体/引用关系图谱）+ VectDB（存核心语义向量）+ RelDB（存结构化属性如年份/作者）。 
【遇到的困难】 
1. 场景指标互斥导致路由编排困难： 我们的业务既有“文档推荐”（极度依赖高召回率，需要走图谱的多跳关系），又有“写作辅助”（极度依赖高精准率，推错一篇综述就是灾难，偏向走向量匹配），还有“自动化评审”（要求高覆盖率）。 在 Agent 编排层，大家目前倾向于用固定的规则引擎做硬路由，还是让大模型去做意图识别动态分配各个数据库的检索权重（比如 RRF 融合）？ 
2. 图谱与向量库的增量更新（Data Ingestion）冲...