本文深入解析了Agentic RAG系統(tǒng)介紹如何基于LangGraph和Qwen構建該系統(tǒng)。文章詳細闡述了Agentic RAG的核心概念、工作流程以及實現步驟包括查詢路由與分類、動態(tài)知識獲取策略、多階段質量保障等。通過本文讀者將了解如何構建一個能夠根據查詢復雜度和上下文動態(tài)調整檢索與生成策略的智能自適應AI系統(tǒng)并掌握相關技術棧和組件的應用。此外文章還展望了Agentic RAG的未來發(fā)展方向包括多模態(tài)融合與自主智能化等。檢索增強生成RAG徹底改變了AI系統(tǒng)訪問和利用外部知識進行推理的模式。然而隨著應用場景復雜性的不斷提升傳統(tǒng)RAG方法的局限性也日益凸顯。如今RAG正從單一的線性流程進化為能夠根據查詢復雜度和上下文動態(tài)調整檢索與生成策略的智能自適應系統(tǒng)。一、理解Agentic RAGAgentic RAG是一種更先進的RAG策略它融合了兩大核心能力動態(tài)查詢分析和自我糾錯機制。它被認為是RAG發(fā)展中最成熟的形態(tài)其核心理念是查詢的復雜度各不相同。研究表明現實場景中的查詢復雜度差異顯著簡單查詢如“成都是哪個省的省會”—— 語言模型即可直接回答。多跳查詢如“清朝時期康熙皇帝什么時候派人修建圓明園并由誰主持設計”—— 需要經過多輪推理才能得出準確答案。Agentic RAG系統(tǒng)工作流程圖Agentic RAG的核心流程分為以下幾步1. 查詢路由與分類系統(tǒng)首先通過訓練好的復雜度分類器對輸入問題進行分析這不是簡單的關鍵詞匹配而是基于語義的智能評估以確定是否需要檢索模型自身知識是否足以回答。如果需要檢索問題需要多復雜的處理路徑。最終將問題路由到最優(yōu)策略無需檢索、單步檢索處理或多跳推理。2. 動態(tài)知識獲取策略根據分類結果系統(tǒng)會動態(tài)選擇最合適的知識獲取方式基于索引的檢索適用于已有知識庫即可覆蓋的問題。網絡搜索適用于需要最新信息或本地知識不足的場景。無需檢索模型自身知識即可快速生成答案。3. 多階段質量保障在生成答案的多個環(huán)節(jié)系統(tǒng)通過多層評估確保結果的準確性與可靠性文檔相關性評估通過置信度評分判斷檢索內容的匹配度?；糜X檢測識別并避免無依據的生成內容。答案質量評估確保最終輸出完整、準確且符合查詢需求。二、Agentic RAG實現指南本文將落地一套自適應Agentic RAG系統(tǒng)對用戶查詢做細粒度判斷在檢索與路由之間做出智能決策強調可復用、可擴展與工程落地。該實現展示了智能查詢分析根據問題類型與難度自動選擇最優(yōu)執(zhí)行路徑系統(tǒng)化評估框架以離線與在線指標校驗回答確保可靠與一致自適應架構設計在向量庫、內部API與互聯網搜索之間自由路由與切換。本方案在原始LangChain實現基礎上完成重構顯著提升代碼可讀性與可維護性并優(yōu)化開發(fā)者體驗。我們將使用以下技術棧和組件LangGraph編排復雜的有狀態(tài)工作流Qwen作為主要語言模型向量數據庫用于高效文檔檢索網絡搜索集成獲取實時信息全鏈路的評估框架從數據到答案的質量保障。接下來我們將循序漸進地構建一個Agentic RAG系統(tǒng)并按照最有助于理解整體流程的邏輯順序逐一拆解各組件的功能與實現細節(jié)。第1步定義狀態(tài)管理系統(tǒng)與核心常量在Agentic RAG系統(tǒng)中狀態(tài)管理是整個流程的基礎它決定了信息在圖結構中的流動方式也是系統(tǒng)能實現動態(tài)自適應決策的核心環(huán)節(jié)。import osfrom typing import List, TypedDict, Dict, Any, Literalfrom dotenv import find_dotenv, load_dotenvfrom pydantic import BaseModel, Field from langchain_core.prompts import ChatPromptTemplatefrom langchain_core.runnables import RunnableSequencefrom langchain_core.output_parsers import StrOutputParserfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain_chroma import Chromafrom langchain_community.chat_models.tongyi import ChatTongyifrom langchain_community.document_loaders import WebBaseLoaderfrom langchain_community.embeddings import HuggingFaceBgeEmbeddingsfrom langchain.schema import Documentfrom langchain import hubfrom langgraph.graph import END, StateGraph from chinese_recursive_text_splitter import ChineseRecursiveTextSplitterfrom langchain_tavily import TavilySearch class GraphState(TypedDict): 表示圖中每個節(jié)點的狀態(tài)。 屬性 question: 用戶輸入的問題 generation: LLM生成的回答 web_search: 是否需要進行網絡搜索 documents: 存放本地或網絡檢索到的文檔列表 fallback: 是否由LLM直接生成 question: str generation: str web_search: bool documents: List[str] fallback: bool在開始編碼前我們引用了相關的依賴庫。然后我們使用TypedDict來定義 圖中每個節(jié)點的狀態(tài)既保證類型安全又保留工作流動態(tài)處理的靈活性。接下來定義圖中各節(jié)點的名稱常量RETRIEVE retrieveGRADE_DOCUMENTS grade_documentsGENERATE generateWEBSEARCH websearchLLM_FALLBACK llm_fallback這些常量有助于保持代碼一致性集中管理節(jié)點名稱不僅方便重構也能減少在工作流中引用節(jié)點時出現錯誤的可能性。第2步初始化模型文件這段代碼的作用是初始化核心模型文件為后續(xù)構建Agentic RAG系統(tǒng)做準備包含兩個部分初始化大語言模型和嵌入模型。# 加載環(huán)境變量load_dotenv(find_dotenv()) # 加載大語言模型llm_model ChatTongyi(model_nameqwen-max, streamingTrue, temperature0) # 加載嵌入模型embed_model HuggingFaceBgeEmbeddings( model_name../bge-large-zh-v1.5, model_kwargs{device: cuda}, encode_kwargs{normalize_embeddings: True} )第3步構建查詢路由鏈在Agentic RAG系統(tǒng)中查詢路由器是首個決策環(huán)節(jié)其核心任務是智能判斷用戶問題的類型并選擇最優(yōu)知識來源確保系統(tǒng)能夠高效、準確地響應各種查詢。# 定義路由輸出結構class RouteQuery(BaseModel): 將用戶的問題路由到最相關的數據源 datasource: Literal[vectorstore, websearch, llm_fallback] Field( ..., description根據用戶問題將其路由到向量數據庫、網絡搜索或直接由LLM生成, ) # 將 LLM 包裝成結構化輸出模式輸出 RouteQuery 類型structured_llm_router llm_model.with_structured_output(RouteQuery) # 系統(tǒng)提示詞system 你是一個專家級的路由器負責判斷用戶問題應該選擇哪個路徑。1. 如果問題是閑聊或寒暄如“你好”、“講個笑話”、“你是誰”選擇llm_fallback2. 如果問題與AI技術文檔相關選擇vectorstore3. 如果需要最新實時信息選擇websearch只輸出vectorstore、websearch或llm_fallback即可。 # 構建提示模板route_prompt ChatPromptTemplate.from_messages( [ (system, system), (human, {question}), ]) # 組合提示模板與結構化路由模型question_router route_prompt | structured_llm_router def route_question(state: GraphState) - str: 根據路由器決定問題走向 print(state) print(---路由問題---) source: RouteQuery question_router.invoke({question: state[question]}) if source.datasource websearch: return WEBSEARCH elif source.datasource vectorstore: return RETRIEVE else: return LLM_FALLBACK在這一環(huán)節(jié)系統(tǒng)會對用戶問題進行智能分類并選擇最合適的處理路徑vectorstore當問題涉及AI技術內容時直接從向量數據庫檢索答案。websearch當問題需要最新實時信息時調用網絡搜索獲取數據。llm_fallback對于閑聊、寒暄等問題直接由LLM生成答案。通過這一智能化路由策略Agentic RAG系統(tǒng)在知識覆蓋、實時性與靈活性之間實現了平衡本地知識庫命中時快速返回高質量答案知識庫覆蓋不足時網絡搜索補充最新信息對于無需檢索的場景LLM_FALLBACK確保系統(tǒng)仍能生成合理且連貫的回應。第4步構建文檔向量檢索節(jié)點文檔向量檢索是RAG系統(tǒng)的知識核心負責將用戶問題與本地知識庫中的高相關內容匹配為生成答案提供可靠上下文。def create_vectorstore(): 創(chuàng)建或加載向量存儲用于文檔檢索 chroma_path ./chroma_langchain_db # 如果本地已經存在向量數據庫直接加載 if os.path.exists(chroma_path): print(正在加載本地向量存儲...) vectorstore Chroma( persist_directorychroma_path, embedding_functionembed_model, collection_namerag-chroma, ) return vectorstore.as_retriever() # 如果沒有構建新的向量數據庫 print(正在創(chuàng)建新的向量存儲...) urls [ https://aws.amazon.com/cn/what-is/large-language-model/, https://zhuanlan.zhihu.com/p/659386520, https://zhuanlan.zhihu.com/p/620342675, ] # 從網頁加載內容 docs [WebBaseLoader(url).load() for url in urls] docs_list [item for sublist in docs for item in sublist] # 將長文本拆分為小片段 text_splitter ChineseRecursiveTextSplitter( chunk_size250, # 每段大小約 250 tokens chunk_overlap0 # 不重疊 ) doc_splits text_splitter.split_documents(docs_list) # 構建 Chroma 向量存儲并持久化到本地 vectorstore Chroma.from_documents( documentsdoc_splits, collection_namerag-chroma, embeddingembed_model, persist_directorychroma_path, ) print(向量存儲創(chuàng)建完成) return vectorstore.as_retriever() # 初始化檢索器retriever create_vectorstore() def retrieve(state: Dict[str, Any]) - Dict[str, Any]: 從向量存儲中檢索相關文檔 print(---RETRIEVE---) question state[question] # 使用預先配置好的檢索器獲取最語義相關的文檔 documents retriever.invoke(question) return {documents: documents, question: question}這一環(huán)節(jié)是整個知識庫的核心流程可以拆解為以下幾個部分加載環(huán)境變量通過load_dotenv讀取配置文件方便靈活調用不同模型或參數減少硬編碼帶來的維護成本。定義高質量知識源我們選取了三篇技術文章作為示例作為知識庫的基礎內容后續(xù)也可以根據業(yè)務需要進行擴展。加載網頁內容利用WebBaseLoader抓取網頁內容并轉換為標準的文檔對象便于后續(xù)處理。文本智能切分通過ChineseRecursiveTextSplitter將長文本切分成250 tokens的小片段且不設置重疊。這種切分方式可以兼顧語義完整性和檢索效率確保模型在檢索時定位更加精準。構建本地向量存儲調用Chroma向量數據庫將切分后的文本片段向量化并結合嵌入模型生成高質量語義向量再持久化存儲到本地。這意味著即使重啟環(huán)境也能快速加載無需重復構建。實現檢索節(jié)點當用戶輸入問題時檢索器會從本地數據庫中找到語義相關度最高的文檔為后續(xù)的生成環(huán)節(jié)提供精準上下文。通過這一流程RAG系統(tǒng)具備了高效、穩(wěn)定的語義檢索能力。后續(xù)再結合評分和決策機制就能進一步過濾噪聲信息僅保留高質量、強相關的文檔從而顯著提升生成內容的準確性與可靠性。第5步構建網絡搜索節(jié)點為了擴展知識覆蓋范圍Agentic RAG系統(tǒng)引入網絡搜索節(jié)點用于處理實時信息或本地知識庫未覆蓋的領域問題。# 初始化 Tavily 搜索工具最多返回 3 條結果web_search_tool TavilySearch(max_results3) def web_search(state: GraphState) - Dict[str, Any]: print(---WEB SEARCH---) question state[question] # 獲取已有文檔若無則創(chuàng)建空列表 documents state.get(documents, []) # 調用網絡搜索 tavily_results web_search_tool.invoke({query: question})[results] joined_tavily_result /n.join( [tavily_result[content] for tavily_result in tavily_results] ) web_results Document(page_contentjoined_tavily_result) # 將搜索結果加入文檔列表 if documents: documents.append(web_results) else: documents [web_results] return {documents: documents, question: question}網絡搜索節(jié)點的引入是為了彌補本地向量數據庫的局限在處理實時問題或未覆蓋的領域知識時顯得尤為重要接入Tavily搜索Tavily是針對AI應用優(yōu)化的搜索API能夠快速找到與問題最相關的網頁內容。每次搜索最多返回3條結果確保信息簡潔且精準。合并搜索結果搜索完成后系統(tǒng)會將多條網頁內容合并為一個Document對象并追加到當前的文檔集合中。實現混合知識檢索系統(tǒng)可同時利用本地向量庫處理領域專業(yè)問題也可通過網絡搜索獲取最新、全面的答案。這種“本地知識網絡搜索”的混合策略讓RAG系統(tǒng)既能保持生成結果的準確性又具備廣度和靈活性從而應對從技術深研到新聞熱點等多樣化的查詢場景。第6步創(chuàng)建文檔檢索評分節(jié)點文檔檢索評分器是整個流程的質量把控環(huán)節(jié)用于校驗從向量數據庫檢索出的文檔是否真正契合用戶問題。這一步至關重要因為向量相似度≠語義相關性有時檢索結果看似匹配但實際語境并不契合。# 定義評分輸出結構class GradeDocuments(BaseModel): 用于檢查檢索文檔是否與問題相關的二元評分 binary_score: str Field( description判斷文檔是否與問題相關僅輸出 yes 或 no ) # 將 LLM 模型封裝為結構化輸出模式structured_llm_grader llm_model.with_structured_output(GradeDocuments) # 系統(tǒng)提示詞system_prompt 你是一個負責評估檢索結果相關性的評分器。如果文檔內容包含了與問題相關的關鍵詞或者語義上與問題匹配請評為 yes。如果完全無關則返回 no。請嚴格輸出 yes 或 no用于標記該文檔是否與用戶問題相關。 # 構建提示模板grade_prompt ChatPromptTemplate.from_messages([ (system, system_prompt), (human, 檢索到的文檔:/n/n {document} /n/n 用戶問題: {question}),]) # 組合評分鏈retrieval_grader grade_prompt | structured_llm_grader # 評分函數def grade_documents(state: Dict[str, Any]) - Dict[str, Any]: 判斷檢索到的文檔是否與問題相關。 如果有任何文檔不相關將觸發(fā) web 搜索標記。 Args: state (dict): 當前圖狀態(tài) Returns: state (dict): 篩選出相關文檔并更新 web_search 狀態(tài) print(---檢查文檔與問題的相關性---) question state[question] documents state[documents] filtered_docs [] web_search False for d in documents: # 使用檢索評分器評估文檔相關性 score retrieval_grader.invoke({ question: question, document: d.page_content }) grade score.binary_score if grade.lower() yes: print(---評分結果文檔相關---) filtered_docs.append(d) else: print(---評分結果文檔不相關---) web_search True continue return {documents: filtered_docs, question: question, web_search: web_search}其工作機制可以拆解為以下三點結構化輸出通過GradeDocuments模型強制生成yes或no的結果確保后續(xù)處理簡單且穩(wěn)定。精準提示詞同時檢查關鍵詞匹配與語義匹配實現更全面的相關性評估。質量把控若檢索內容不相關則直接丟棄避免誤導生成當無合格文檔時系統(tǒng)會自動觸發(fā)網絡搜索補充缺失信息。這種評分機制讓檢索模塊在效率與準確性之間實現最佳平衡本地知識庫命中率高時響應更快而在知識覆蓋不足時又能自適應擴展搜索范圍從而保障用戶始終獲得完整、準確的答案。第7步構建生成節(jié)點生成節(jié)點是RAG系統(tǒng)的大腦負責將用戶問題與檢索到的上下文信息結合生成最終答案實現從檢索到生成的完整閉環(huán)。# 從 LangChain Hub 拉取優(yōu)化好的 RAG Promptprompt hub.pull(rlm/rag-prompt) # 構建生成鏈提示模板 → LLM → 輸出解析器generation_chain prompt | llm_model | StrOutputParser() def generate(state: GraphState) - Dict[str, Any]: 使用文檔和問題生成答案 print(---GENERATE---) question state[question] documents state[documents] # 調用生成鏈生成最終答案 generation generation_chain.invoke({context: documents, question: question}) return {documents: documents, question: question, generation: generation} def llm_fallback(state: GraphState) - Dict[str, Any]: 當問題無需檢索或搜索時直接由 LLM 生成答案 print(---LLM FALLBACK---) question state[question] generation llm_model.invoke(question).content return { question: question, generation: generation, documents: [], web_search: False, fallback: True, }生成節(jié)點的核心特點優(yōu)化提示模板我們直接從LangChain Hub拉取專為檢索增強生成RAG場景優(yōu)化的Prompt模板。這個模板能更好地融合檢索到的上下文信息幫助模型生成更準確、更有邏輯的回答。輸出結構化通過StrOutputParser輸出會被規(guī)范化為干凈的純文本格式方便后續(xù)進行評分、質檢或二次處理。核心價值生成鏈將用戶問題、檢索文檔、提示模板有機結合確?；卮鸩粌H完整、準確還能直接用于答案質量評估和幻覺檢測。通過這個節(jié)點RAG系統(tǒng)真正實現了“從檢索到生成”的完整閉環(huán)生成的內容能夠無縫支持答案質量評估與幻覺檢測等后續(xù)流程。第8步構建生成內容幻覺檢測系統(tǒng)幻覺檢測器是RAG系統(tǒng)中至關重要的質量保障組件用于確保生成答案基于事實避免出現“貌似合理但錯誤”的內容。# 定義幻覺評分輸出結構class GradeHallucinations(BaseModel): 用于檢測生成答案中是否存在幻覺的二元評分 binary_score: bool Field( description答案是否基于事實僅輸出 True 或 False ) # 將 LLM 封裝為結構化輸出模式structured_llm_grader llm_model.with_structured_output(GradeHallucinations) # 系統(tǒng)提示詞system 你是一個評分器用于判斷 LLM 生成的回答是否基于一組檢索到的事實。請嚴格給出二元評分 yes 或 no。Yes 表示答案基于/支持所提供的事實No 表示答案未得到事實支持。 # 構建提示模板hallucination_prompt ChatPromptTemplate.from_messages( [ (system, system), (human, 事實集合: /n/n {documents} /n/n LLM 生成內容: {generation}), ]) # 組合成可執(zhí)行評分鏈hallucination_grader: RunnableSequence hallucination_prompt | structured_llm_grader幻覺檢測器是RAG系統(tǒng)最關鍵的組件之一用于確保生成內容真實且有事實依據驗證生成答案的真實性將模型輸出與檢索到的文檔逐一對比判斷信息是否有可靠支撐。二元評分采用布爾值或’yes’/no’的結果避免模棱兩可的判斷。防止“貌似合理但錯誤”的回答一旦檢測到幻覺系統(tǒng)會觸發(fā)重新生成或補充檢索確保輸出內容準確可靠。這一環(huán)節(jié)顯著提升了RAG系統(tǒng)的可信度與安全性讓最終生成結果既智能又可靠。第9步創(chuàng)建答案質量評分器答案質量評分器負責評估生成內容是否真正回應用戶問題確保輸出不僅基于事實還具有針對性和實用性。# 定義答案評分輸出結構class GradeAnswer(BaseModel): binary_score: bool Field( description答案是否有效回應問題僅輸出 True 或 False ) # 將 LLM 封裝為結構化輸出模式structured_llm_grader llm_model.with_structured_output(GradeAnswer) # 系統(tǒng)提示詞system 你是一個評分器用于判斷生成的答案是否解決了用戶的問題。請嚴格給出二元評分 yes 或 no。Yes 表示答案有效回應并解決了問題No 表示未解決。 # 構建提示模板answer_prompt ChatPromptTemplate.from_messages( [ (system, system), (human, 用戶問題: /n/n {question} /n/n LLM 生成內容: {generation}), ]) # 組合成可執(zhí)行評分鏈answer_grader: RunnableSequence answer_prompt | structured_llm_grader答案質量評分器用于評估生成內容是否真正回應用戶問題驗證回答的針對性即便答案基于事實也需判斷其是否直接解決了用戶的具體需求。二元化評分采用’yes’或’no’標記確保評估結果清晰、易于處理。觸發(fā)補救措施若答案未能有效回應問題將啟動額外檢索或網絡搜索以獲取更匹配的信息。借助答案質量評分器系統(tǒng)輸出能夠做到準確且切題進一步提升用戶體驗與整體可靠性。第10步構建完整圖工作流這一環(huán)節(jié)是Agentic RAG系統(tǒng)的核心將前面構建的檢索、生成、評分和搜索模塊有機整合形成一個端到端智能閉環(huán)。# 決策是否進入生成環(huán)節(jié)def decide_to_generate(state): 根據文檔評分決定走 web 搜索還是直接生成答案 print(---評估文檔---) return WEBSEARCH if state[web_search] else GENERATE # 對生成內容進行幻覺與答案質量評分def grade_generation_grounded_in_documents_and_question(state): 評分生成答案的真實性與有效性 print(---檢查幻覺與答案質量---) question state[question] documents state[documents] generation state[generation] # 檢查是否基于事實 score hallucination_grader.invoke({documents: documents, generation: generation}) if score.binary_score: # 檢查答案是否有用 score answer_grader.invoke({question: question, generation: generation}) return useful if score.binary_score else not useful else: return not supported # 構建工作流workflow StateGraph(GraphState)workflow.add_node(RETRIEVE, retrieve)workflow.add_node(GRADE_DOCUMENTS, grade_documents)workflow.add_node(GENERATE, generate)workflow.add_node(WEBSEARCH, web_search)workflow.add_node(LLM_FALLBACK, llm_fallback)workflow.set_conditional_entry_point( route_question, {WEBSEARCH: WEBSEARCH, RETRIEVE: RETRIEVE, LLM_FALLBACK: LLM_FALLBACK},)workflow.add_edge(RETRIEVE, GRADE_DOCUMENTS)workflow.add_conditional_edges( GRADE_DOCUMENTS, decide_to_generate, {WEBSEARCH: WEBSEARCH, GENERATE: GENERATE},)workflow.add_conditional_edges( GENERATE, grade_generation_grounded_in_documents_and_question, {not supported: GENERATE, useful: END, not useful: WEBSEARCH},)workflow.add_edge(WEBSEARCH, GENERATE)workflow.add_edge(LLM_FALLBACK, END)app workflow.compile() # 導出圖可視化app.get_graph().draw_mermaid_png(output_file_pathgraph.png)這個圖工作流是Agentic RAG系統(tǒng)的核心將前面構建的各模塊有機整合形成完整閉環(huán)條件入口點系統(tǒng)根據路由器的判斷將問題分配至本地檢索或網絡搜索。自適應決策邏輯decide_to_generate根據文檔評分決定生成答案或進入網絡搜索流程。grade_generation_grounded_in_documents_and_question執(zhí)行自我糾錯機制檢測生成內容的真實性與質量必要時觸發(fā)重新生成或補充檢索。route_question負責初始問題的智能路由。動態(tài)工作流編譯后的工作流能根據每一步的信息質量動態(tài)調整執(zhí)行路徑確保最終輸出可靠、準確?？梢暬罱K導出graph.png直觀展示整個系統(tǒng)的執(zhí)行流程。通過這一環(huán)節(jié)Agentic RAG系統(tǒng)完成了智能、自適應的端到端問答閉環(huán)從用戶提問到答案輸出每一步都可控、可驗證確保生成內容高質量、高可靠性。LangGraph狀態(tài)流程圖第11步創(chuàng)建主應用入口主應用入口是Agentic RAG系統(tǒng)的用戶交互界面為系統(tǒng)提供了一個簡潔、直觀的命令行測試環(huán)境。def format_response(result): 提取并格式化工作流輸出 if isinstance(result, dict): return result.get(generation) or result.get(answer, ) return str(result) def main(): 自適應 RAG 系統(tǒng)命令行界面 print( Adaptive RAG System ) print(輸入 quit 退出程序。/n) while True: question input(Question: ).strip() if question.lower() in [quit, exit, q, ]: break print(Processing...) try: # 調用工作流生成答案 for output in app.stream({question: question}): result next(iter(output.values())) print(f/nAnswer: {format_response(result)}/n) except Exception as e: print(fError: {e}) if __name__ __main__: main()核心解析加載環(huán)境變量確保程序能正確讀取API密鑰和模型配置。2.調用工作流通過已編譯的app利用app.stream()實現流式輸出。3.結果處理format_response函數從輸出中提取生成的答案方便直觀展示。4.交互體驗用戶在終端輸入問題即可獲得完整的Adaptive RAG問答體驗。有了這個入口文件整個系統(tǒng)即可完成端到端運行和測試輕松展示其智能、靈活的自適應問答能力。三、運行系統(tǒng)完成環(huán)境配置與代碼準備后即可啟動Agentic RAG系統(tǒng)正在加載本地向量存儲...流程圖導出為graph.pngAdaptive RAG System輸入quit退出程序。 Question: 明天天津天氣怎么樣有雨嗎 Processing...{question:明天天津天氣怎么樣有雨嗎}---路由問題---{question:明天天津天氣怎么樣有雨嗎}---WEB SEARCH---{question:明天天津天氣怎么樣有雨嗎,documents:[Document(metadata{},page_content... 明天上午陰有陣雨,下午陰轉多云,南風3-4級轉微風,今天夜間最低氣溫23度,明天白天最高氣溫27度,相對濕度90%到67%.今夜我市有明顯降雨過程,降雨時伴有雷電,短時強降/n今起三天我國降雨將分為南北兩條雨帶北方降雨集中在華北、東北等地明天起新一輪降雨將來襲南方雨帶位于云南、貴州、四川盆地西部一帶部分地區(qū)有大到暴雨。/n星期五 08/22. 陰. 西北風 ; 星期六 08/23. 雷陣雨. 北風 ; 星期日 08/24. 雷陣雨. 東北風 ; 星期一 08/25. 晴. 北風 ; 星期二 08/26. 多云. 東風.)]}---GENERATE---{documents:[Document(metadata{},page_content... 明天上午陰有陣雨,下午陰轉多云,南風3-4級轉微風,今天夜間最低氣溫23度,明天白天最高氣溫27度,相對濕度90%到67%.今夜我市有明顯降雨過程,降雨時伴有雷電,短時強降/n今起三天我國降雨將分為南北兩條雨帶北方降雨集中在華北、東北等地明天起新一輪降雨將來襲南方雨帶位于云南、貴州、四川盆地西部一帶部分地區(qū)有大到暴雨。/n星期五 08/22. 陰. 西北風 ; 星期六 08/23. 雷陣雨. 北風 ; 星期日 08/24. 雷陣雨. 東北風 ; 星期一 08/25. 晴. 北風 ; 星期二 08/26. 多云. 東風.)],question:明天天津天氣怎么樣有雨嗎,generation:明天天津上午有陣雨下午轉為多云。全天南風3-4級轉微風氣溫在23到27度之間。}---檢查幻覺與答案質量--- Answer: 明天天津上午有陣雨下午轉為多云。全天南風3-4級轉微風氣溫在23到27度之間。從運行示例可以看到系統(tǒng)完整執(zhí)行了自適應的推理流程。首先它會對問題進行智能分析判斷是直接檢索本地知識庫還是調用網絡搜索。在這個示例中問題涉及最新天氣情況因此系統(tǒng)選擇了實時搜索從互聯網上獲取了最新的氣象信息。接著系統(tǒng)將檢索到的內容與問題進行匹配生成自然語言回答。生成結果會經過幻覺檢測與質量評估以確保信息準確、邏輯合理并且與上下文一致。最終系統(tǒng)輸出了一條可靠的回答明天天津上午有陣雨下午轉為多云南風 3-4 級轉微風氣溫在 23 到 27 度之間。整個過程充分體現了Agentic RAG系統(tǒng)的自適應能力——它能靈活選擇信息來源快速整合數據并通過多重驗證機制保證回答的準確性和可信度。四、總結與未來方向本文深入探討了Agentic RAG系統(tǒng)的核心理念與實現路徑詳細解析了如何基于LangGraph構建有狀態(tài)的工作流并結合Qwen模型、本地向量檢索與網絡搜索實現具備動態(tài)路由、智能決策、自我糾錯的增強生成系統(tǒng)。該方案能夠精準識別查詢復雜度靈活選擇最優(yōu)檢索與生成策略并通過多階段質量控制大幅提升答案的準確性、可靠性和時效性。展望未來Agentic RAG將向多模態(tài)融合與自主智能化方向持續(xù)演進。一方面引入圖像、視頻、表格等多模態(tài)數據進行統(tǒng)一檢索與生成擴展系統(tǒng)在復雜任務中的適用性與表達能力另一方面結合強化學習RLHF及反饋驅動的優(yōu)化機制系統(tǒng)將具備持續(xù)迭代、動態(tài)學習的能力實現更加精準的任務決策與答案優(yōu)化。此外借助大規(guī)模知識圖譜與分布式檢索架構Agentic RAG有望實現更高效、更低延遲的知識利用推動智能應用邁向更智能、更自適應的新階段。如何學習大模型 AI 由于新崗位的生產效率要優(yōu)于被取代崗位的生產效率所以實際上整個社會的生產效率是提升的。但是具體到個人只能說是“最先掌握AI的人將會比較晚掌握AI的人有競爭優(yōu)勢”。這句話放在計算機、互聯網、移動互聯網的開局時期都是一樣的道理。我在一線科技企業(yè)深耕十二載見證過太多因技術卡位而躍遷的案例。那些率先擁抱 AI 的同事早已在效率與薪資上形成代際優(yōu)勢我意識到有很多經驗和知識值得分享給大家也可以通過我們的能力和經驗解答大家在大模型的學習中的很多困惑。我們整理出這套AI 大模型突圍資料包? 從零到一的 AI 學習路徑圖? 大模型調優(yōu)實戰(zhàn)手冊附醫(yī)療/金融等大廠真實案例? 百度/阿里專家閉門錄播課? 大模型當下最新行業(yè)報告? 真實大廠面試真題? 2026 最新崗位需求圖譜所有資料 ?? 朋友們如果有需要《AI大模型入門進階學習資源包》下方掃碼獲取~① 全套AI大模型應用開發(fā)視頻教程包含提示工程、RAG、LangChain、Agent、模型微調與部署、DeepSeek等技術點② 大模型系統(tǒng)化學習路線作為學習AI大模型技術的新手方向至關重要。 正確的學習路線可以為你節(jié)省時間少走彎路方向不對努力白費。這里我給大家準備了一份最科學最系統(tǒng)的學習成長路線圖和學習規(guī)劃帶你從零基礎入門到精通③ 大模型學習書籍文檔學習AI大模型離不開書籍文檔我精選了一系列大模型技術的書籍和學習文檔電子版它們由領域內的頂尖專家撰寫內容全面、深入、詳盡為你學習大模型提供堅實的理論基礎。④ AI大模型最新行業(yè)報告2025最新行業(yè)報告針對不同行業(yè)的現狀、趨勢、問題、機會等進行系統(tǒng)地調研和評估以了解哪些行業(yè)更適合引入大模型的技術和應用以及在哪些方面可以發(fā)揮大模型的優(yōu)勢。⑤ 大模型項目實戰(zhàn)配套源碼學以致用在項目實戰(zhàn)中檢驗和鞏固你所學到的知識同時為你找工作就業(yè)和職業(yè)發(fā)展打下堅實的基礎。⑥ 大模型大廠面試真題面試不僅是技術的較量更需要充分的準備。在你已經掌握了大模型技術之后就需要開始準備面試我精心整理了一份大模型面試題庫涵蓋當前面試中可能遇到的各種技術問題讓你在面試中游刃有余。以上資料如何領取為什么大家都在學大模型最近科技巨頭英特爾宣布裁員2萬人傳統(tǒng)崗位不斷縮減但AI相關技術崗瘋狂擴招有3-5年經驗大廠薪資就能給到50K*20薪不出1年“有AI項目經驗”將成為投遞簡歷的門檻。風口之下與其像“溫水煮青蛙”一樣坐等被行業(yè)淘汰不如先人一步掌握AI大模型原理應用技術項目實操經驗“順風”翻盤這些資料真的有用嗎這份資料由我和魯為民博士(北京清華大學學士和美國加州理工學院博士)共同整理現任上海殷泊信息科技CEO其創(chuàng)立的MoPaaS云平臺獲Forrester全球’強勁表現者’認證服務航天科工、國家電網等1000企業(yè)以第一作者在IEEE Transactions發(fā)表論文50篇獲NASA JPL火星探測系統(tǒng)強化學習專利等35項中美專利。本套AI大模型課程由清華大學-加州理工雙料博士、吳文俊人工智能獎得主魯為民教授領銜研發(fā)。資料內容涵蓋了從入門到進階的各類視頻教程和實戰(zhàn)項目無論你是小白還是有些技術基礎的技術人員這份資料都絕對能幫助你提升薪資待遇轉行大模型崗位。以上全套大模型資料如何領取