突破RAG局限：深入浅出 Agentic RAG 架构与实战

小鱼儿亮亮
81 阅读4分钟

在大模型应用落地过程中，如何让 AI 更精准地利用外部知识库一直是核心课题。从最初的 RAG（检索增强生成）到如今备受瞩目的 Agentic RAG（代理检索增强生成） ，技术架构正经历着从“被动检索”到“主动决策”的跨越。

本文将带你理清 RAG、AI Agent 的基本概念，并手把手教你构建一个基于 Agentic RAG 的智能问答系统。

一、 从传统 RAG 到 Agentic RAG 的演进

1. 什么是传统 RAG？

RAG (Retrieval-Augmented Generation) 的核心逻辑是： “先检索，再生成” 。

当用户提出问题时，系统先从向量数据库中检索相关文档，将其作为上下文（Context）连同问题一起喂给大模型（LLM）。

  • 优点：缓解幻觉、支持私有数据。
  • 局限：它是一个线性、被动的过程。面对需要多步推理、跨文档比对或工具调用的复杂任务时，传统 RAG 往往力不从心。

image-20250926083723762.png

2. 什么是 AI Agent？

AI Agent（智能体） 是一个能够感知环境、进行推理、做出决策并采取行动的自主系统。其核心在于 Reason（推理）+ Act（行动） 的循环。

  • ReAct 框架：这是目前 Agent 最主流的实现思想。它模仿人类思维，通过“思想链（CoT）”分解问题，在“思考”与“行动”之间反复迭代，直到得出最终答案。

image-20250926085241484.png

ReAct 采用的是 思想-行动-观察循环的思路。

image-20250926085922690.png

3. Agentic RAG：智能化的新高度

Agentic RAG 是将 Agent 机制引入检索流程。此时的系统不再是一个简单的“传声筒”，而是一个“聪明的调查员”：

  • 自主决策：它会判断是否需要检索。
  • 查询规划：如果问题复杂，它会将任务拆解。
  • 自我修正：如果检索到的信息不足，它会重新调整关键词再次检索。

17588492923781.png

二、 实战：构建基于 Agentic RAG 的问答系统

下面我们使用 LangChain、Streamlit 以及 DeepSeek 模型，实现一个具备文件上传、自动检索和多轮对话能力的 Agentic RAG 应用。

1. 核心流程设计

  1. 数据处理：上传 TXT 文档，进行切片并向量化存储。
  2. 工具定义：将 RAG 检索器包装成 Agent 可以调用的 Tool。
  3. 记忆管理：引入 ConversationBufferMemory 维护对话上下文。
  4. 代理执行：使用 ReAct Agent 模式进行任务调度。

2. 代码实现

以下是系统的核心实现代码。请注意，运行前需安装 langchain, streamlit, langchain-openai, langchain-chroma 等依赖。

Python

import streamlit as st
import tempfile
import os
from langchain_community.document_loaders import TextLoader
from langchain_openai import ChatOpenAI
from langchain_chroma import Chroma
from langchain_core.prompts import PromptTemplate
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain.agents import create_react_agent, AgentExecutor
from langchain_community.callbacks.streamlit import StreamlitCallbackHandler
from langchain_community.embeddings import BaichuanTextEmbeddings
from langchain.memory import ConversationBufferMemory
from langchain_community.chat_message_histories import StreamlitChatMessageHistory
from langchain.tools.retriever import create_retriever_tool

# --- 1. 页面配置 ---
st.set_page_config(page_title="Agentic RAG Assistant", layout="wide")
st.title("🚀 Agentic RAG 智能助手")

# --- 2. 知识库预处理 ---
@st.cache_resource(ttl="1h")
def configure_retriever(uploaded_files):
    docs = []
    temp_dir = tempfile.TemporaryDirectory()
    for file in uploaded_files:
        temp_filepath = os.path.join(temp_dir.name, file.name)
        with open(temp_filepath, "wb") as f:
            f.write(file.getvalue())
        loader = TextLoader(temp_filepath, encoding="utf-8")
        docs.extend(loader.load())
    
    # 文本分割
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=50)
    splits = text_splitter.split_documents(docs)

    # 向量化（以百川向量模型为例）
    embeddings = BaichuanTextEmbeddings(api_key="YOUR_BAICHUAN_KEY")
    vectordb = Chroma.from_documents(splits, embeddings)
    return vectordb.as_retriever()

# 侧边栏上传
uploaded_files = st.sidebar.file_uploader(label="上传知识库文件", type=["txt"], accept_multiple_files=True)
if not uploaded_files:
    st.info("请先在左侧上传 TXT 文档以启用知识库。")
    st.stop()

retriever = configure_retriever(uploaded_files)

# --- 3. 构建 Agent 工具集 ---
tool = create_retriever_tool(
    retriever=retriever,
    name="doc_retriever",
    description="用于检索用户文档内容。当你需要基于上传的文件回答问题时，必须使用此工具。"
)
tools = [tool]

# --- 4. 记忆与提示词模板 ---
msgs = StreamlitChatMessageHistory()
memory = ConversationBufferMemory(
    chat_memory=msgs, return_messages=True, memory_key="chat_history", output_key="output"
)

base_prompt_template = """你是一个专业的文档分析助手。
你可以使用检索工具来获取信息，即使你认为自己知道答案，也请优先查阅文档以确保准确性。
如果文档中确实没有相关信息，请回答“抱歉，这个问题我还不知道。”

TOOLS:
{tools}

Format:
Thought: Do I need to use a tool? Yes
Action: [{tool_names}]
Action Input: the input to the action
Observation: the result
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: Do I need to use a tool? No
Final Answer: [your response]

Previous history:
{chat_history}

Input: {input}
{agent_scratchpad}"""

prompt = PromptTemplate.from_template(base_prompt_template)

# --- 5. 实例化 Agent 执行器 ---
llm = ChatOpenAI(
    model="deepseek-reasoner", 
    openai_api_key="YOUR_DEEPSEEK_KEY", 
    openai_api_base="https://api.deepseek.com"
)
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True)

# --- 6. 聊天交互界面 ---
if "messages" not in st.session_state or st.sidebar.button("清空对话"):
    st.session_state["messages"] = [{"role": "assistant", "content": "您好！文件已就绪，请问有什么可以帮您？"}]

for msg in st.session_state.messages:
    st.chat_message(msg["role"]).write(msg["content"])

user_query = st.chat_input(placeholder="基于文档提问...")

if user_query:
    st.session_state.messages.append({"role": "user", "content": user_query})
    st.chat_message("user").write(user_query)
    
    with st.chat_message("assistant"):
        st_cb = StreamlitCallbackHandler(st.container())
        response = agent_executor.invoke({"input": user_query}, config={"callbacks": [st_cb]})
        st.session_state.messages.append({"role": "assistant", "content": response["output"]})
        st.write(response["output"])

三、 总结与展望

Agentic RAG 的出现，标志着大模型应用进入了**“强交互、高逻辑”**的阶段。

  • 在检索效率上：它通过 ReAct 循环减少了无关信息的干扰。
  • 在业务适配上：它可以通过挂载更多工具（如 SQL 执行器、搜索 API）进一步扩展能力边界。

对于开发者而言，掌握 Agentic 架构不仅是提升系统准确率的关键，更是通往构建完全自主化 AI 应用的必经之路。

avatar
文章
阅读
粉丝