理解 Agentic RAG
检索增强生成（RAG）彻底改变了 AI 系统访问和利用外部知识进行推理的模式。
然而，随着应用场景复杂性的不断提升，传统 RAG 方法的局限性也日益凸显。
如今，RAG 正从单一的线性流程，进化为能够根据查询复杂度和上下文，动态调整检索与生成策略的智能自适应系统。
本文将深入解析 Agentic RAG 系统，重点介绍如何基于 LangGraph 和 Qwen 构建 Agentic RAG。在进入具体实现之前，让我们先明确什么是 Agentic RAG。
1. 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。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。
2. Agentic RAG 系统工作流程图
3. Agentic RAG 的核心流程分为以下几步
3.1. 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。
3.2. 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。
3.3. 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。
4. 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。
4.1. 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。
4.2. 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}
)
4.3. 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。
4.4. 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。
4.5. 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。
4.6. 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
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。
4.7. 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。
4.8. 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。
4.9. 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。
4.10. 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
4.11. 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。
5. 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。
6. 总结与未来方向
本文深入探讨了 Agentic RAG 系统的核心理念与实现路径，详细解析了如何基于 LangGraph 构建有状态的工作流，并结合Qwen 模型、本地向量检索与网络搜索，实现具备动态路由、智能决策、自我纠错的增强生成系统。
该方案能够精准识别查询复杂度，灵活选择最优检索与生成策略，并通过多阶段质量控制大幅提升答案的准确性、可靠性和时效性。
展望未来，Agentic RAG 将向多模态融合与自主智能化方向持续演进。
一方面，引入图像、视频、表格等多模态数据进行统一检索与生成，扩展系统在复杂任务中的适用性与表达能力；另一方面，结合强化学习（RLHF）及反馈驱动的优化机制，系统将具备持续迭代、动态学习的能力，实现更加精准的任务决策与答案优化。
此外，Agentic RAG 有望实现更广泛的知识利用，推动智能应用迈向更智能、更自适应的新阶段。