RAG 技术详解：让 Agent 学会读文档

专栏系列第 5 篇 · 智能体纪元

---

在前几篇文章中，我们构建了一个基础 Agent，理解了其决策逻辑（ReAct）并通过提示工程提升了智能水平。但你是否遇到过这样的问题：

Agent 回答不了你私有文档中的问题，比如企业内部手册、PDF 报告或技术文档。

这正是 RAG（Retrieval-Augmented Generation）技术要解决的问题。今天，我们就来揭开它的面纱，并实战打造一个能读懂你文档的智能 Agent。

---

1. 什么是 RAG？

RAG（检索增强生成）是一种 将检索（Retrieval）与生成（Generation）结合起来 的方法。它的基本思路是：

1. 从外部知识库中检索相关信息（如你的文档）；
2. 把检索结果作为上下文提供给语言模型；
3. 语言模型据此进行回答生成。

它的目标是弥补语言模型“只知训练前知识”的缺陷，让 Agent 实时“读文档、查资料”。

---

2. 核心架构解析

RAG 架构由以下几部分组成：

┌────────────┐
│  用户提问   │
└────┬───────┘
     ↓
┌────────────┐
│ 检索组件（向量库）│  ← 从文档中检索相关信息
└────┬───────┘
     ↓
┌────────────┐
│ 语言模型（LLM） │  ← 根据检索信息生成答案
└────┬───────┘
     ↓
┌────────────┐
│   返回答案   │
└────────────┘

关键组件包括：

• 文档加载与切分（Loader & Splitter）
• 向量化存储（Vector Store）
• 语言模型集成（LLM + Prompt）
• 查询链路（RetrievalQA Chain）

---

3. 实战：让 Agent 读懂你的 PDF 文档

Step 1：安装所需依赖

pip install langchain openai faiss-cpu pypdf tiktoken

Step 2：构建 RAG Agent

import os

from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.embeddings import OpenAIEmbeddings, HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI

# 1. 加载文档
loader = PyPDFLoader("GB+38031-2025.pdf")
pages = loader.load()

# 2. 文本切分
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = text_splitter.split_documents(pages)

# 3. 构建向量数据库

# embedding_model = OpenAIEmbeddings()

# 创建中文 Embedding 模型（bge-small-zh）
embedding_model = HuggingFaceEmbeddings(
    model_name="BAAI/bge-small-zh",
    model_kwargs={"device": "cpu"},  # 如果你有 GPU，可改为 "cuda"
    encode_kwargs={"normalize_embeddings": True}  # 官方推荐开启
)

db = FAISS.from_documents(docs, embedding_model)

# retriever = db.as_retriever()
# results = retriever.get_relevant_documents("文档中提到的某个关键词")
#
# for i, doc in enumerate(results):
#     print(f"匹配结果 {i+1}: {doc.page_content}")


# 4. 初始化语言模型
API_KEY = os.getenv('DEEPSEEK_API_KEY')
llm = ChatOpenAI(
    model='deepseek-chat',
    openai_api_key=API_KEY,
    openai_api_base='https://api.deepseek.com/v1'
)

# 5. 构建 RAG 问答链
rag_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=db.as_retriever(),
    return_source_documents=True
)

# 6. 提问
query = "请用中文回答：这份文档的核心内容有哪些？"
response = rag_chain.invoke({"query": query})
print(response["result"])

你现在拥有了一个能“读懂 PDF 并回答问题”的 Agent！

输出：

---

4. 提示工程与 RAG 协同进化

在 RAG 的基础上使用提示工程，可以进一步优化智能体行为，比如：

• 指定回答格式：“请分点概括”
• 控制输出风格：“用专业语气简洁回答”
• 加入角色设定：“你是文档分析专家”

这使得你的 Agent 不仅“知其然”，更能“言之有物”。

---

5. 小结与展望

本篇文章我们系统学习了 RAG 技术的原理与实战方法。它是让 Agent 融入私有知识的重要路径，也是实现“个性化智能体”的关键一环。

下一篇，我们将进入多模态智能体的探索，让 Agent 不止能看文本，还能“识图听声”。

---

如果你喜欢这个系列，欢迎点赞收藏，下期我们将一起迈向更加通用的 Agent 世界！

---