沈阳市网站建设_网站建设公司_展示型网站_seo优化

本文介绍如何构建Agentic RAG系统解决传统RAG检索失效问题。通过LangGraph流程编排和Redis向量存储，实现文档质量检查、查询重写等自我修复机制，系统在检索到不相关文档时会重新调整策略而非生成错误答案。详细解析了系统架构设计、六个核心模块功能及状态机接线方式，为生产环境提供了可落地的技术方案。

传统 RAG 的"一锤子买卖"

假设知识库里有一篇《大语言模型的参数高效训练方法》，用户问的是"怎么微调 LLM 效果最好"。

语义相似度确实存在但不够强。检索器拉回来的可能是模型架构相关的内容虽然沾边但答非所问，LLM 本身没法意识到上下文是错的，照样能生成一段貌似专业实则离题万里的回答。

传统 RAG 对这种失败模式完全没有办法。查询文档、生成答案，整个过程是单向的没有任何质量把关环节。

Agentic RAG 的解法是在流程中插入检查点：智能体先判断要不要检索；检索完了有评分环节确认相关性；不相关就重写查询再试；如此循环直到拿到合格的上下文，或者把重试次数耗尽为止。

系统架构拆解

整个系统拆成六个模块：

配置层负责环境变量和 API 客户端的初始化工作。Redis 连接串、OpenAI 密钥、模型名称全部归拢到这里统一管理。

检索器模块承担文档摄取的全套流程，文档经过WebBaseLoader加载后用RecursiveCharacterTextSplitter切块，再通过 OpenAI Embedding 向量化，最后存进RedisVectorStore。检索器本身会被包装成 LangChain 工具供智能体调用。

智能体节点是决策入口。拿到用户问题后先做判断：这个问题需要查资料还是直接能答？需要查就调检索器，不需要就直出答案。

评分（Grade Edge）决定检索结果的去向。相关性够就往生成环节走；不够就触发重写。这是整个系统里最关键的质量关卡。

重写节点把原始问题改写成更适合检索的形式，用户表述太口语化、缺少关键词，这些问题都在这里修正。

生成节点只有在评分环节确认上下文合格后才会执行，基于检索到的文档产出最终答案。

流程图和代码

关键在于从"重写"回到"智能体"这条反馈路径。系统不会因为一次检索失败就直接给出一个牵强附会的答案，它会调整策略重新尝试。

src/ ├── config/ │ ├── settings.py # 环境变量 │ └── openai.py # 模型名称和 API 客户端 ├── retriever.py # 文档摄取和 Redis 向量存储 ├── agents/ │ ├── nodes.py # 智能体、重写和生成函数 │ ├── edges.py # 文档评分逻辑 │ └── graph.py # LangGraph 状态机 └── main.py # 入口点

职责划分很清晰：配置归config/，智能体相关的都在agents/，向量存储操作全在retriever.py。这种结构调试起来方便，单测也好写。

配置模块设计

配置层解决两个问题：环境变量加载和 API 客户端复用。

settings.py集中读取 Redis 连接信息、OpenAI API Key、索引名称，不用满项目找配置。

openai.py负责实例化 Embedding 模型和 LLM 客户端。切换到别的模型、调整 Embedding 维度等等配置也只要一处

这个设计在生产环境里很实用，因为模型会迭代、Key 会轮换、服务商可能换掉，集中管理意味着改动成本可控。

检索器实现

检索器负责整条数据摄取链路：抓文档、切块、向量化、入库。

语料选的是 Lilian Weng 关于 Agent 和 Prompt Engineering 的博客文章。WebBaseLoader负责抓取，RecursiveCharacterTextSplitter切分成适当大小的块，OpenAI Embedding 完成向量化。

向量存储用RedisVectorStore。检索器通过create_retriever_tool封装成 LangChain 工具形态。这一步的意义在于让智能体能够"调用"检索而不是被动触发，意味着它有权决定什么时候需要查资料、什么时候直接回答。

为什么用Redis？因为够快，够简单。向量相似度搜索本身 Redis 就能做，不用额外引入专门的向量数据库。对于已经跑着 Redis 的技术栈来说，加 RAG 能力几乎零额外运维负担。

智能体节点

nodes.py里有三个核心函数。

智能体函数接收当前状态（用户问题、历史对话等），判断下一步怎么走。它能调用包括检索器在内的工具集。问题需要外部知识就调检索，不需要就直接生成回答。

重写函数处理那些被评分环节打回来的查询。它会让 LLM 把原始问题改写成检索友好的形式，用词更精准、关键信息更突出。改写后的查询再交回智能体重新发起检索。

生成函数产出最终答案。输入是原始问题加上已确认相关的文档，输出是基于这些上下文的回答。

三个函数都是无状态的。状态走图，不走函数内部变量。这对测试和排查问题都有好处。

文档评分逻辑

edges.py里的grade_documents是整个 Agentic 机制的核心。

检索完成后它会逐个审视返回的文档：这东西跟用户问的相关不相关？能不能帮上忙？

评分本身是通过一次 LLM 调用完成的，Prompt 设计成要求模型返回二元判断——相关或者不相关。

判定相关就返回"generate"，流程走向答案生成；判定不相关则返回"rewrite"，触发查询改写。

这个环节的价值在于拦截那些本会导致标准 RAG 胡说八道的情况，与其硬着头皮从不靠谱的上下文里编答案，不如给系统一次修正查询的机会。

状态机接线

graph.py用 LangGraph 的状态机原语把所有节点串起来。

图结构定义了节点（智能体、检索、生成、重写）和边（节点间的连接关系，包括基于评分结果的条件路由）。

接线逻辑如下：查询先到智能体节点，智能体决定调检索器的话流程就到检索节点，检索完进评分，评分过了走生成，没过走重写，重写完的查询再回智能体重新来过。生成节点执行完流程结束。

LangGraph 接管状态流转的细节。每个节点只管接收当前状态、返回状态更新，具体消息怎么路由由图引擎根据边的条件逻辑处理。

运行时流程

main.py是入口，做三件事：构建图、接收问题、流式输出结果。

build_graph()在启动时执行一次，完成 LangGraph 状态机的构建和检索器工具的初始化.

问题进来之后的流转过程：智能体接收问题决定调检索 → Redis 返回文档 → 评分环节判断相关性 → 相关就生成答案，不相关就重写查询继续循环。

脚本会把各节点的输出实时打到控制台，方便观察决策过程——什么时候触发了检索、评分结果如何、有没有走到重写环节，一目了然。

架构的优势

自校正能力：检索质量差能发现并修复，不会闷头输出一个基于垃圾上下文的错误答案然后假装没事发生。

决策透明：状态机让每个分支点都是显式的。路由决策可以全量记录，想排查为什么系统选择了重写而不是直接生成，日志里全有。

模块解耦：每个组件职责单一。想把 Redis 换成 Pinecone？改检索模块。想把 OpenAI 换成 Anthropic？改配置层。其他部分不受影响。

总结

标准 RAG 把检索当黑盒，查询丢进去、文档出来，至于相不相关全凭运气。Agentic RAG 打开这个黑盒在关键位置加了质量控制。

LangGraph 加 Redis 的组合提供了一个可以直接上生产的骨架。流程编排的复杂度 LangGraph 消化掉了，向量检索的性能 Redis 兜住了，剩下的评分和重写逻辑负责兜底那些简单系统搞不定的边角案例。

代码：

https://github.com/kushalBanda/AI-Engineer/tree/main/Redis/vectorLibrary

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】