庆阳市网站建设_网站建设公司_ASP.NET_seo优化-广州市网站建设公司

本文详细介绍Agentic RAG系统的构建方法，该系统融合动态查询分析和自我纠错机制，能够根据查询复杂度自适应选择检索与生成策略。文章基于LangGraph和Qwen模型，从状态管理、查询路由、文档检索、网络搜索到幻觉检测等11个步骤，完整展示了智能自适应RAG系统的实现过程，并通过多阶段质量保障确保答案准确可靠，为开发者提供了一套可复用、可扩展的工程落地方案。

一、理解Agentic RAG

Agentic RAG是一种更先进的RAG策略，它融合了两大核心能力：动态查询分析和自我纠错机制。它被认为是RAG发展中最成熟的形态，其核心理念是：查询的复杂度各不相同。研究表明，现实场景中的查询复杂度差异显著：

简单查询：如“成都是哪个省的省会？”—— 语言模型即可直接回答。
多跳查询：如“清朝时期，康熙皇帝什么时候派人修建圆明园，并由谁主持设计？”—— 需要经过多轮推理才能得出准确答案。

Agentic RAG系统工作流程图

Agentic RAG的核心流程分为以下几步：

1. 查询路由与分类

系统首先通过训练好的复杂度分类器对输入问题进行分析，这不是简单的关键词匹配，而是基于语义的智能评估，以确定：

是否需要检索，模型自身知识是否足以回答。
如果需要检索，问题需要多复杂的处理路径。
最终将问题路由到最优策略：无需检索、单步检索处理或多跳推理。

2. 动态知识获取策略

根据分类结果，系统会动态选择最合适的知识获取方式：

基于索引的检索：适用于已有知识库即可覆盖的问题。
网络搜索：适用于需要最新信息或本地知识不足的场景。
无需检索：模型自身知识即可快速生成答案。

3. 多阶段质量保障

在生成答案的多个环节，系统通过多层评估确保结果的准确性与可靠性：

文档相关性评估：通过置信度评分判断检索内容的匹配度。
幻觉检测：识别并避免无依据的生成内容。
答案质量评估：确保最终输出完整、准确且符合查询需求。

二、Agentic RAG实现指南

本文将落地一套自适应Agentic RAG系统：对用户查询做细粒度判断，在检索与路由之间做出智能决策，强调可复用、可扩展与工程落地。该实现展示了：

智能查询分析：根据问题类型与难度自动选择最优执行路径；
系统化评估框架：以离线与在线指标校验回答，确保可靠与一致；
自适应架构设计：在向量库、内部API与互联网搜索之间自由路由与切换。

本方案在原始LangChain实现基础上完成重构，显著提升代码可读性与可维护性，并优化开发者体验。我们将使用以下技术栈和组件：

LangGraph：编排复杂的有状态工作流；
Qwen：作为主要语言模型；
向量数据库：用于高效文档检索；
网络搜索集成：获取实时信息；
全链路的评估框架：从数据到答案的质量保障。

接下来，我们将循序渐进地构建一个Agentic RAG系统，并按照最有助于理解整体流程的逻辑顺序，逐一拆解各组件的功能与实现细节。

第1步：定义状态管理系统与核心常量

在Agentic RAG系统中，状态管理是整个流程的基础，它决定了信息在图结构中的流动方式，也是系统能实现动态自适应决策的核心环节。

import os from typing import List, TypedDict, Dict, Any, Literal from dotenv import find_dotenv, load_dotenv from pydantic import BaseModel, Field from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnableSequence from langchain_core.output_parsers import StrOutputParser from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_chroma import Chroma from langchain_community.chat_models.tongyi import ChatTongyi from langchain_community.document_loaders import WebBaseLoader from langchain_community.embeddings import HuggingFaceBgeEmbeddings from langchain.schema import Document from langchain import hub from langgraph.graph import END, StateGraph from chinese_recursive_text_splitter import ChineseRecursiveTextSplitter from langchain_tavily import TavilySearch class GraphState(TypedDict): """ 表示图中每个节点的状态。 属性： question: 用户输入的问题 generation: LLM生成的回答 web_search: 是否需要进行网络搜索 documents: 存放本地或网络检索到的文档列表 fallback: 是否由LLM直接生成 """ question: str generation: str web_search: bool documents: List[str] fallback: bool

在开始编码前，我们引用了相关的依赖库。

然后，我们使用TypedDict来定义图中每个节点的状态，既保证类型安全，又保留工作流动态处理的灵活性。

接下来，定义图中各节点的名称常量：

RETRIEVE = "retrieve" GRADE_DOCUMENTS = "grade_documents" GENERATE = "generate" WEBSEARCH = "websearch" LLM_FALLBACK = "llm_fallback"

这些常量有助于保持代码一致性，集中管理节点名称不仅方便重构，也能减少在工作流中引用节点时出现错误的可能性。

第2步：初始化模型文件

这段代码的作用是初始化核心模型文件，为后续构建Agentic RAG系统做准备，包含两个部分：初始化大语言模型和嵌入模型。

# 加载环境变量 load_dotenv(find_dotenv()) # 加载大语言模型 llm_model = ChatTongyi(model_name="qwen-max", streaming=True, temperature=0) # 加载嵌入模型 embed_model = HuggingFaceBgeEmbeddings( model_name="../bge-large-zh-v1.5", model_kwargs={'device': 'cuda'}, encode_kwargs={'normalize_embeddings': True} )

第3步：构建查询路由链

在Agentic RAG系统中，查询路由器是首个决策环节，其核心任务是智能判断用户问题的类型，并选择最优知识来源**，确保系统能够高效、准确地响应各种查询。**

# 定义路由输出结构 class RouteQuery(BaseModel): """将用户的问题路由到最相关的数据源""" datasource: Literal["vectorstore", "websearch", "llm_fallback"] = Field( ..., description="根据用户问题，将其路由到向量数据库、网络搜索或直接由LLM生成", ) # 将 LLM 包装成结构化输出模式，输出 RouteQuery 类型 structured_llm_router = llm_model.with_structured_output(RouteQuery) # 系统提示词 system = """你是一个专家级的路由器，负责判断用户问题应该选择哪个路径。 1. 如果问题是闲聊或寒暄（如“你好”、“讲个笑话”、“你是谁？”），选择llm_fallback； 2. 如果问题与AI技术文档相关，选择vectorstore； 3. 如果需要最新实时信息，选择websearch； 只输出vectorstore、websearch或llm_fallback即可。 """ # 构建提示模板 route_prompt = ChatPromptTemplate.from_messages( [ ("system", system), ("human", "{question}"), ] ) # 组合提示模板与结构化路由模型 question_router = route_prompt | structured_llm_router def route_question(state: GraphState) -> str: """根据路由器决定问题走向""" print(state) print("---路由问题---") source: RouteQuery = question_router.invoke({"question": state["question"]}) if source.datasource == "websearch": return WEBSEARCH elif source.datasource == "vectorstore": return RETRIEVE else: return LLM_FALLBACK

在这一环节，系统会对用户问题进行智能分类并选择最合适的处理路径：

vectorstore：当问题涉及AI技术内容时，直接从向量数据库检索答案。
websearch：当问题需要最新实时信息时，调用网络搜索获取数据。
llm_fallback：对于闲聊、寒暄等问题，直接由LLM生成答案。

通过这一智能化路由策略，Agentic RAG系统在知识覆盖、实时性与灵活性之间实现了平衡：本地知识库命中时快速返回高质量答案；知识库覆盖不足时，网络搜索补充最新信息；对于无需检索的场景，LLM_FALLBACK确保系统仍能生成合理且连贯的回应。

第4步：构建文档向量检索节点

文档向量检索是RAG系统的知识核心，负责将用户问题与本地知识库中的高相关内容匹配，为生成答案提供可靠上下文。

def create_vectorstore(): """创建或加载向量存储，用于文档检索""" chroma_path = "./chroma_langchain_db" # 如果本地已经存在向量数据库，直接加载 if os.path.exists(chroma_path): print("正在加载本地向量存储...") vectorstore = Chroma( persist_directory=chroma_path, embedding_function=embed_model, collection_name="rag-chroma", ) return vectorstore.as_retriever() # 如果没有，构建新的向量数据库 print("正在创建新的向量存储...") urls = [ "https://aws.amazon.com/cn/what-is/large-language-model/", "https://zhuanlan.zhihu.com/p/659386520", "https://zhuanlan.zhihu.com/p/620342675", ] # 从网页加载内容 docs = [WebBaseLoader(url).load() for url in urls] docs_list = [item for sublist in docs for item in sublist] # 将长文本拆分为小片段 text_splitter = ChineseRecursiveTextSplitter( chunk_size=250, # 每段大小约 250 tokens chunk_overlap=0 # 不重叠 ) doc_splits = text_splitter.split_documents(docs_list) # 构建 Chroma 向量存储并持久化到本地 vectorstore = Chroma.from_documents( documents=doc_splits, collection_name="rag-chroma", embedding=embed_model, persist_directory=chroma_path, ) print("向量存储创建完成！") return vectorstore.as_retriever() # 初始化检索器 retriever = create_vectorstore() def retrieve(state: Dict[str, Any]) -> Dict[str, Any]: """从向量存储中检索相关文档""" print("---RETRIEVE---") question = state["question"] # 使用预先配置好的检索器获取最语义相关的文档 documents = retriever.invoke(question) return {"documents": documents, "question": question}

这一环节是整个知识库的核心，流程可以拆解为以下几个部分：

加载环境变量
通过load_dotenv读取配置文件，方便灵活调用不同模型或参数，减少硬编码带来的维护成本。
定义高质量知识源
我们选取了三篇技术文章作为示例，作为知识库的基础内容，后续也可以根据业务需要进行扩展。
加载网页内容
利用WebBaseLoader抓取网页内容，并转换为标准的文档对象，便于后续处理。
文本智能切分
通过ChineseRecursiveTextSplitter将长文本切分成250 tokens的小片段，且不设置重叠。这种切分方式可以兼顾语义完整性和检索效率，确保模型在检索时定位更加精准。
构建本地向量存储
调用Chroma向量数据库，将切分后的文本片段向量化，并结合嵌入模型生成高质量语义向量，再持久化存储到本地。这意味着即使重启环境，也能快速加载，无需重复构建。
实现检索节点
当用户输入问题时，检索器会从本地数据库中找到语义相关度最高的文档，为后续的生成环节提供精准上下文。

通过这一流程，RAG系统具备了高效、稳定的语义检索能力。后续再结合评分和决策机制，就能进一步过滤噪声信息，仅保留高质量、强相关的文档，从而显著提升生成内容的准确性与可靠性。

第5步：构建网络搜索节点

为了扩展知识覆盖范围**，Agentic RAG系统引入网络搜索节点，用于处理实时信息或**本地知识库未覆盖的领域问题。****

# 初始化 Tavily 搜索工具，最多返回 3 条结果 web_search_tool = TavilySearch(max_results=3) def web_search(state: GraphState) -> Dict[str, Any]: print("---WEB SEARCH---") question = state["question"] # 获取已有文档，若无则创建空列表 documents = state.get("documents", []) # 调用网络搜索 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_content=joined_tavily_result) # 将搜索结果加入文档列表 if documents: documents.append(web_results) else: documents = [web_results] return {"documents": documents, "question": question}

网络搜索节点的引入是为了弥补本地向量数据库的局限，在处理实时问题或未覆盖的领域知识时显得尤为重要：

接入Tavily搜索
Tavily是针对AI应用优化的搜索API，能够快速找到与问题最相关的网页内容。每次搜索最多返回3条结果，确保信息简洁且精准。
合并搜索结果
搜索完成后，系统会将多条网页内容合并为一个Document对象，并追加到当前的文档集合中。
实现混合知识检索
系统可同时利用本地向量库处理领域专业问题，也可通过网络搜索获取最新、全面的答案。

这种**“本地知识+网络搜索”的混合策略，让RAG系统既能保持生成结果的准确性**，又具备广度和灵活性，从而应对从技术深研到新闻热点等多样化的查询场景。

第6步：创建文档检索评分节点

文档检索评分器是整个流程的质量把控环节，用于校验从向量数据库检索出的文档是否真正契合用户问题。这一步至关重要，因为向量相似度≠语义相关性，有时检索结果看似匹配，但实际语境并不契合。

# 定义评分输出结构 class GradeDocuments(BaseModel): """用于检查检索文档是否与问题相关的二元评分""" binary_score: str = Field( description="判断文档是否与问题相关，仅输出 'yes' 或 'no'" ) # 将 LLM 模型封装为结构化输出模式 structured_llm_grader = llm_model.with_structured_output(GradeDocuments) # 系统提示词 system_prompt = """你是一个负责评估检索结果相关性的评分器。 如果文档内容包含了与问题相关的关键词，或者语义上与问题匹配，请评为 'yes'。 如果完全无关，则返回 'no'。 请严格输出 'yes' 或 'no'，用于标记该文档是否与用户问题相关。""" # 构建提示模板 grade_prompt = ChatPromptTemplate.from_messages([ ("system", system_prompt), ("human", "检索到的文档:\n\n {document} \n\n 用户问题: {question}"), ]) # 组合评分链 retrieval_grader = grade_prompt | structured_llm_grader # 评分函数 def grade_documents(state: Dict[str, Any]) -> Dict[str, Any]: """ 判断检索到的文档是否与问题相关。 如果有任何文档不相关，将触发 web 搜索标记。 Args: state (dict): 当前图状态 Returns: state (dict): 筛选出相关文档并更新 web_search 状态 """ print("---检查文档与问题的相关性---") question = state["question"] documents = state["documents"] filtered_docs = [] web_search = False for d in documents: # 使用检索评分器评估文档相关性 score = retrieval_grader.invoke({ "question": question, "document": d.page_content }) grade = score.binary_score if grade.lower() == "yes": print("---评分结果：文档相关---") filtered_docs.append(d) else: print("---评分结果：文档不相关---") web_search = True continue return {"documents": filtered_docs, "question": question, "web_search": web_search}

其工作机制可以拆解为以下三点：

结构化输出
通过GradeDocuments模型强制生成yes或no的结果，确保后续处理简单且稳定。
精准提示词
同时检查关键词匹配与语义匹配，实现更全面的相关性评估。
质量把控
若检索内容不相关，则直接丢弃，避免误导生成；当无合格文档时，系统会自动触发网络搜索，补充缺失信息。

这种评分机制让检索模块在效率与准确性之间实现最佳平衡：本地知识库命中率高时响应更快，而在知识覆盖不足时，又能自适应扩展搜索范围，从而保障用户始终获得完整、准确的答案。

第7步：构建生成节点

生成节点是RAG系统的大脑**，负责将用户问题与检索到的上下文信息结合，生成最终答案，实现从检索到生成的完整闭环。**

# 从 LangChain Hub 拉取优化好的 RAG Prompt prompt = hub.pull("rlm/rag-prompt") # 构建生成链：提示模板 → LLM → 输出解析器 generation_chain = prompt | llm_model | StrOutputParser() def generate(state: GraphState) -> Dict[str, Any]: """使用文档和问题生成答案""" print("---GENERATE---") question = state["question"] documents = state["documents"] # 调用生成链生成最终答案 generation = generation_chain.invoke({"context": documents, "question": question}) return {"documents": documents, "question": question, "generation": generation} def llm_fallback(state: GraphState) -> Dict[str, Any]: """当问题无需检索或搜索时，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, }

生成节点的核心特点：

优化提示模板
我们直接从LangChain Hub拉取专为**检索增强生成（RAG）**场景优化的Prompt模板。这个模板能更好地融合检索到的上下文信息，帮助模型生成更准确、更有逻辑的回答。
输出结构化
通过StrOutputParser，输出会被规范化为干净的纯文本格式，方便后续进行评分、质检或二次处理。
核心价值
生成链将用户问题、检索文档、提示模板有机结合，确保回答不仅完整、准确，还能直接用于答案质量评估和幻觉检测。

通过这个节点，RAG系统真正实现了**“从检索到生成”的完整闭环，生成的内容能够无缝支持答案质量评估与幻觉检测**等后续流程。

第8步：构建生成内容幻觉检测系统

幻觉检测器是RAG系统中至关重要的质量保障组件**，用于确保生成答案基于事实，避免出现“貌似合理但错误”的内容。**

# 定义幻觉评分输出结构 class GradeHallucinations(BaseModel): """用于检测生成答案中是否存在幻觉的二元评分""" binary_score: bool = Field( description="答案是否基于事实，仅输出 True 或 False" ) # 将 LLM 封装为结构化输出模式 structured_llm_grader = llm_model.with_structured_output(GradeHallucinations) # 系统提示词 system = """你是一个评分器，用于判断 LLM 生成的回答是否基于一组检索到的事实。 请严格给出二元评分 'yes' 或 'no'。 'Yes' 表示答案基于/支持所提供的事实，'No' 表示答案未得到事实支持。""" # 构建提示模板 hallucination_prompt = ChatPromptTemplate.from_messages( [ ("system", system), ("human", "事实集合: \n\n {documents} \n\n LLM 生成内容: {generation}"), ] ) # 组合成可执行评分链 hallucination_grader: RunnableSequence = hallucination_prompt | structured_llm_grader

幻觉检测器是RAG系统最关键的组件之一，用于确保生成内容真实且有事实依据：

验证生成答案的真实性
将模型输出与检索到的文档逐一对比，判断信息是否有可靠支撑。
二元评分
采用布尔值或**‘yes’/‘no’**的结果，避免模棱两可的判断。
防止“貌似合理但错误”的回答
一旦检测到幻觉，系统会触发重新生成或补充检索，确保输出内容准确可靠。

这一环节显著提升了RAG系统的可信度与安全性，让最终生成结果既智能又可靠。

第9步：创建答案质量评分器

答案质量评分器负责评估生成内容是否真正回应用户问题**，确保输出不仅基于事实，还具有针对性和实用性。**

# 定义答案评分输出结构 class GradeAnswer(BaseModel): binary_score: bool = Field( description="答案是否有效回应问题，仅输出 True 或 False" ) # 将 LLM 封装为结构化输出模式 structured_llm_grader = llm_model.with_structured_output(GradeAnswer) # 系统提示词 system = """你是一个评分器，用于判断生成的答案是否解决了用户的问题。 请严格给出二元评分 'yes' 或 'no'。 'Yes' 表示答案有效回应并解决了问题，'No' 表示未解决。""" # 构建提示模板 answer_prompt = ChatPromptTemplate.from_messages( [ ("system", system), ("human", "用户问题: \n\n {question} \n\n LLM 生成内容: {generation}"), ] ) # 组合成可执行评分链 answer_grader: RunnableSequence = answer_prompt | structured_llm_grader

答案质量评分器用于评估生成内容是否真正回应用户问题：

验证回答的针对性
即便答案基于事实，也需判断其是否直接解决了用户的具体需求。
二元化评分
采用**‘yes’或’no’**标记，确保评估结果清晰、易于处理。
触发补救措施
若答案未能有效回应问题，将启动额外检索或网络搜索，以获取更匹配的信息。

借助答案质量评分器，系统输出能够做到准确且切题，进一步提升用户体验与整体可靠性。

第10步：构建完整图工作流

这一环节是Agentic RAG系统的核心，将前面构建的检索、生成、评分和搜索模块有机整合，形成一个端到端智能闭环。

# 决策是否进入生成环节 def decide_to_generate(state): """根据文档评分决定走 web 搜索还是直接生成答案""" print("---评估文档---") return WEBSEARCH if state["web_search"] else GENERATE # 对生成内容进行幻觉与答案质量评分 def grade_generation_grounded_in_documents_and_question(state): """评分生成答案的真实性与有效性""" print("---检查幻觉与答案质量---") question = state["question"] documents = state["documents"] generation = state["generation"] # 检查是否基于事实 score = hallucination_grader.invoke({"documents": documents, "generation": generation}) if score.binary_score: # 检查答案是否有用 score = answer_grader.invoke({"question": question, "generation": generation}) return "useful" if score.binary_score else "not useful" else: return "not supported" # 构建工作流 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() # 导出图可视化 app.get_graph().draw_mermaid_png(output_file_path="graph.png")

这个图工作流是Agentic RAG系统的核心，将前面构建的各模块有机整合，形成完整闭环：

条件入口点
系统根据路由器的判断，将问题分配至本地检索或网络搜索。
自适应决策逻辑
decide_to_generate：根据文档评分决定生成答案或进入网络搜索流程。
grade_generation_grounded_in_documents_and_question：执行自我纠错机制，检测生成内容的真实性与质量，必要时触发重新生成或补充检索。
route_question：负责初始问题的智能路由。
动态工作流
编译后的工作流能根据每一步的信息质量动态调整执行路径，确保最终输出可靠、准确。
可视化
最终导出graph.png，直观展示整个系统的执行流程。

通过这一环节，Agentic RAG系统完成了智能、自适应的端到端问答闭环，从用户提问到答案输出，每一步都可控、可验证，确保生成内容高质量、高可靠性。

LangGraph状态流程图

第11步：创建主应用入口

主应用入口是Agentic RAG系统的用户交互界面，为系统提供了一个简洁、直观的命令行测试环境。****

def format_response(result): """提取并格式化工作流输出""" if isinstance(result, dict): return result.get("generation") or result.get("answer", "") return str(result) def main(): """自适应 RAG 系统命令行界面""" print("=== Adaptive RAG System ===") print("输入 'quit' 退出程序。\n") while True: question = input("Question: ").strip() if question.lower() in ['quit', 'exit', 'q', '']: break print("Processing...") try: # 调用工作流生成答案 for output in app.stream({"question": question}): result = next(iter(output.values())) print(f"\nAnswer: {format_response(result)}\n") except Exception as e: print(f"Error: {e}") if __name__ == "__main__": main()

核心解析：

加载环境变量
确保程序能正确读取API密钥和模型配置。
调用工作流
通过已编译的app，利用app.stream()实现流式输出。
结果处理
format_response函数从输出中提取生成的答案，方便直观展示。
交互体验
用户在终端输入问题即可获得完整的Adaptive RAG问答体验。

有了这个入口文件，整个系统即可完成端到端运行和测试，轻松展示其智能、灵活的自适应问答能力。

四、运行系统

完成环境配置与代码准备后，即可启动Agentic RAG系统：

正在加载本地向量存储... 流程图导出为 graph.png === Adaptive RAG System === 输入 'quit' 退出程序。 Question: 明天天津天气怎么样？有雨吗？ Processing... {'question': '明天天津天气怎么样？有雨吗？'} ---路由问题--- {'question': '明天天津天气怎么样？有雨吗？'} ---WEB SEARCH--- {'question': '明天天津天气怎么样？有雨吗？', 'documents': [Document(metadata={}, page_content='... 明天上午阴有阵雨,下午阴转多云,南风3-4级转微风,今天夜间最低气温23度,明天白天最高气温27度,相对湿度90%到67%.今夜我市有明显降雨过程,降雨时伴有雷电,短时强降\n今起三天，我国降雨将分为南北两条雨带，北方降雨集中在华北、东北等地，明天起新一轮降雨将来袭；南方雨带位于云南、贵州、四川盆地西部一带，部分地区有大到暴雨。\n星期五 08/22. 阴. 西北风 ; 星期六 08/23. 雷阵雨. 北风 ; 星期日 08/24. 雷阵雨. 东北风 ; 星期一 08/25. 晴. 北风 ; 星期二 08/26. 多云. 东风.')]} ---GENERATE--- {'documents': [Document(metadata={}, page_content='... 明天上午阴有阵雨,下午阴转多云,南风3-4级转微风,今天夜间最低气温23度,明天白天最高气温27度,相对湿度90%到67%.今夜我市有明显降雨过程,降雨时伴有雷电,短时强降\n今起三天，我国降雨将分为南北两条雨带，北方降雨集中在华北、东北等地，明天起新一轮降雨将来袭；南方雨带位于云南、贵州、四川盆地西部一带，部分地区有大到暴雨。\n星期五 08/22. 阴. 西北风 ; 星期六 08/23. 雷阵雨. 北风 ; 星期日 08/24. 雷阵雨. 东北风 ; 星期一 08/25. 晴. 北风 ; 星期二 08/26. 多云. 东风.')], 'question': '明天天津天气怎么样？有雨吗？', 'generation': '明天天津上午有阵雨，下午转为多云。全天南风3-4级转微风，气温在23到27度之间。'} ---检查幻觉与答案质量--- Answer: 明天天津上午有阵雨，下午转为多云。全天南风3-4级转微风，气温在23到27度之间。

从运行示例可以看到，系统完整执行了自适应的推理流程。

首先，它会对问题进行智能分析，判断是直接检索本地知识库还是调用网络搜索。在这个示例中，问题涉及最新天气情况，因此系统选择了实时搜索，从互联网上获取了最新的气象信息。

接着，系统将检索到的内容与问题进行匹配，生成自然语言回答。生成结果会经过幻觉检测与质量评估，以确保信息准确、逻辑合理并且与上下文一致。

最终，系统输出了一条可靠的回答：

明天天津上午有阵雨，下午转为多云，南风 3-4 级转微风，气温在 23 到 27 度之间。

整个过程充分体现了Agentic RAG系统的自适应能力——它能灵活选择信息来源，快速整合数据，并通过多重验证机制保证回答的准确性和可信度。

庆阳市网站建设_网站建设公司_ASP.NET_seo优化

一、理解Agentic RAG

Agentic RAG系统工作流程图

Agentic RAG的核心流程分为以下几步：

1. 查询路由与分类

2. 动态知识获取策略

3. 多阶段质量保障

二、Agentic RAG实现指南

优化提示模板

输出结构化

核心价值

总结与未来方向

如何学习大模型 AI ？

为什么要学习大模型？

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

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

适用人群

第一阶段（10天）：初阶应用

第二阶段（30天）：高阶应用

第三阶段（30天）：模型训练

第四阶段（20天）：商业闭环

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`】

热门文章

文章分类

标签云

需要专业的网站建设服务？

庆阳市网站建设_网站建设公司_ASP.NET_seo优化

一、理解Agentic RAG

Agentic RAG系统工作流程图

Agentic RAG的核心流程分为以下几步：

1. 查询路由与分类

2. 动态知识获取策略

3. 多阶段质量保障

二、Agentic RAG实现指南

优化提示模板

热门文章

文章分类

标签云

相关文章

windows 安装neo4j community

2026年分析驰跃科技市场口碑，口碑排名哪家强

船舶服务厂商哪家好？青岛雷旺达船舶口碑出众！

需要专业的网站建设服务？