AI大模型应用开发(四)用LangChain构建带Agent流程的RAG系统

随着大语言模型(LLM)能力的不断提升,RAG(Retrieval Augmented Generation,检索增强生成)技术逐渐成为提升模型知识准确性和可靠性的重要手段。通过从实时数据和外部文档中检索相关信息,模型能够更准确地回答基于事实的问题,从而有效降低"幻觉"现象的发生概率。

而 LangChain 中的 LangGraph 模块则能够将 LLM、RAG 以及各种工具调用整合为一个结构清晰的智能 Agent 流程图,大大增强了问答系统的灵活性与动态响应能力。

本文将通过一个完整的示例,演示如何使用 LangChain 构建一个融合"RAG + Agent"的问答系统。所附代码具备良好的可复用性,旨在帮助读者快速实现并部署智能应用。

工程结构

bash 复制代码
llm_env.py          # 初始化 LLM
rag_agent.py        # 结合 RAG 与 Agent 的主逻辑

初始化 LLM

首先通过 llm_env.py 初始化一个 LLM 模型对象,供整个流程使用:

ini 复制代码
from langchain.chat_models import init_chat_model

llm = init_chat_model("gpt-4o-mini", model_provider="openai")

RAG + Agent 系统搭建

导入依赖
javascript 复制代码
import os
import sys
import time

sys.path.append(os.getcwd())

from llm_set import llm_env
from langchain.embeddings import OpenAIEmbeddings
from langchain_postgres import PGVector
from langchain_community.document_loaders import WebBaseLoader
from langchain_core.documents import Document
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langgraph.graph import MessagesState, StateGraph
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage, SystemMessage
from langgraph.prebuilt import ToolNode, tools_condition
from langgraph.graph import END
from langgraph.checkpoint.postgres import PostgresSaver
初始化 LLM 与 Embedding
ini 复制代码
llm = llm_env.llm

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
初始化向量数据库
ini 复制代码
vector_store = PGVector(
    embeddings=embeddings,
    collection_name="my_rag_agent_docs",
    connection="postgresql+psycopg2://postgres:123456@localhost:5433/langchainvector",
)
加载网页文档
ini 复制代码
url = "https://www.cnblogs.com/chenyishi/p/18926783"
loader = WebBaseLoader(
    web_paths=(url,),
)
docs = loader.load()
for doc in docs:
    doc.metadata["source"] = url
文本分割 & 入库
ini 复制代码
text_splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=50)
all_splits = text_splitter.split_documents(docs)

existing = vector_store.similarity_search(url, k=1, filter={"source": url})
if not existing:
    _ = vector_store.add_documents(documents=all_splits)
    print("文档向量化完成")

定义 RAG 检索工具

通过 @tool 装饰器,定义一个文档检索工具,供 Agent 动态调用:

python 复制代码
@tool(response_format="content_and_artifact")
def retrieve(query: str) -> tuple[str, dict]:
    """Retrieve relevant documents from the vector store."""
    retrieved_docs = vector_store.similarity_search(query, k=2)
    if not retrieved_docs:
        return "No relevant documents found.", {}
    return "\n\n".join(
        (f"Source: {doc.metadata}\n" f"Content: {doc.page_content}")
        for doc in retrieved_docs
    ), retrieved_docs

定义 Agent Graph 节点

LLM 调用工具节点
arduino 复制代码
def query_or_respond(state: MessagesState):
    llm_with_tools = llm.bind_tools([retrieve])
    response = llm_with_tools.invoke(state["messages"])
    return {"messages": [response]}
工具节点
ini 复制代码
tools = ToolNode([retrieve])
生成响应节点
ini 复制代码
def generate(state: MessagesState):
    recent_tool_messages = []
    for message in reversed(state["messages"]):
        if message.type == "tool":
            recent_tool_messages.append(message)
        else:
            break

    tool_messages = recent_tool_messages[::-1]

    system_message_content = "\n\n".join(doc.content for doc in tool_messages)

    conversation_messages = [
        message
        for message in state["messages"]
        if message.type in ("human", "system")
        or (message.type == "ai" and not message.tool_calls)
    ]
    prompt = [SystemMessage(system_message_content)] + conversation_messages

    response = llm.invoke(prompt)
    return {"messages": [response]}

组装 Agent 流程图

vbscript 复制代码
graph_builder = StateGraph(MessagesState)
graph_builder.add_node(query_or_respond)
graph_builder.add_node(tools)
graph_builder.add_node(generate)

graph_builder.set_entry_point("query_or_respond")
graph_builder.add_conditional_edges(
    "query_or_respond",
    tools_condition,
    path_map={END: END, "tools": "tools"},
)
graph_builder.add_edge("tools", "generate")
graph_builder.add_edge("generate", END)

启用 Checkpoint & 运行流程

数据库存储器
ini 复制代码
DB_URI = "postgresql://postgres:123456@localhost:5433/langchaindemo?sslmode=disable"

with PostgresSaver.from_conn_string(DB_URI) as checkpointer:
    checkpointer.setup()

    graph = graph_builder.compile(checkpointer=checkpointer)
启动交互循环
lua 复制代码
input_thread_id = input("输入thread_id:")
time_str = time.strftime("%Y%m%d", time.localtime())
config = {"configurable": {"thread_id": f"rag-{time_str}-demo-{input_thread_id}"}}

print("输入问题,输入 exit 退出。")
while True:
    query = input("你: ")
    if query.strip().lower() == "exit":
        break
    response = graph.invoke({"messages": [HumanMessage(content=query)]}, config=config)
    print(response)

总结

本文完整展示了如何用 LangChain + LangGraph,结合:

LLM(大模型)

Embedding 检索(RAG)

Agent 动态调用工具

流程图编排

Checkpoint 存储

构建一个智能问答系统,通过将 RAG 检索工具与 Agent 机制相结合,使大语言模型(LLM)能够在需要时自主调用检索功能,从而显著提升其对知识的引用能力和准确性,有效缓解"幻觉"问题。该方案具备良好的实用性和落地价值,适用于多种实际应用场景。

相关推荐
蛋先生DX9 小时前
零压力了解 LoRA 微调原理
人工智能·llm
ZHOU_WUYI10 小时前
门控MLP(Qwen3MLP)与稀疏混合专家(Qwen3MoeSparseMoeBlock)模块解析
人工智能·llm
boonya17 小时前
国内外开源大模型 LLM整理
开源·大模型·llm·大语言模型
温柔哥`20 小时前
AgentThink:一种在自动驾驶视觉语言模型中用于工具增强链式思维推理的统一框架
语言模型·自动驾驶·agent·工具调用·grpo·强化微调·tool call
DevYK1 天前
企业级 Agent 开发实战(二) MCP 原理深度解析及项目实战
agent·mcp
文心快码BaiduComate1 天前
文心快码已支持Kimi-K2-0905模型
llm·ai编程
算家计算1 天前
DeepSeek被曝年底推出AI智能体,下一代人机交互时代要来了?
人工智能·agent·deepseek
大熊猫侯佩1 天前
矩阵异变:代号 “AFM” 的 “温柔反叛者”—— 一场穿梭于骇客矩阵的苹果 AI 探秘
llm·ai编程·apple
数据智能老司机1 天前
AI Agents 实战——多智能体应用
llm·aigc·agent
聚客AI1 天前
👀10分钟搞懂RAG架构:离线索引+在线检索的闭环秘密
人工智能·llm·agent