Agentic RAG：Agent 驱动的自主检索

进阶 C · Agentic RAG：Agent 驱动的自主检索

当问题需要"先查 A，根据 A 的结果再查 B，最后对比 C"时，传统的一轮检索不够。Agentic RAG 让 AI 自主决定检索策略。

1. 从被动检索到主动探索

css 复制代码

传统 RAG：    User→检索→生成   （一轮定胜负）

Agentic RAG： User→Agent 自我规划
                     ├─ 检索A → 分析 → 发现需要B
                     ├─ 检索B → 分析 → 还需要C
                     └─ 检索C → 综合回答

核心变化：检索不再是"用户问什么就搜什么"，而是 Agent 自主决定"搜什么、搜几次、怎么搜"。

2. Agentic RAG 节点实现

php 复制代码

// agentic-rag/agent.ts
import { tool } from "@langchain/core/tools";
import { AgentExecutor, createOpenAIFunctionsAgent } from "langchain/agents";
import { ChatOpenAI } from "@langchain/openai";
import { z } from "zod";

// Tool 1: 搜索知识库
const searchKB = tool(
  async ({ query }) => {
    const results = await vectorStore.similaritySearch(query, 5);
    return results.map(r =>
      `[来源: ${r.metadata.source}]\n${r.pageContent}`
    ).join("\n\n---\n\n");
  },
  {
    name: "search_knowledge_base",
    description: "搜索知识库中的文档。输入一个具体的搜索问题。",
    schema: z.object({ query: z.string().describe("搜索查询") }),
  }
);

// Tool 2: 搜索代码仓库
const searchCode = tool(
  async ({ query, repoPath }) => {
    // 调用 grep 或代码搜索 API
    const { stdout } = await execAsync(`grep -rn "${query}" ${repoPath} --include="*.ts" | head -20`);
    return stdout || "未找到匹配";
  },
  {
    name: "search_codebase",
    description: "在代码仓库中搜索。输入关键词和路径。",
    schema: z.object({
      query: z.string(),
      repoPath: z.string().optional(),
    }),
  }
);

// Tool 3: 比较文档
const compareDocs = tool(
  async ({ doc1Id, doc2Id, aspect }) => {
    const [doc1, doc2] = await Promise.all([
      getDocument(doc1Id), getDocument(doc2Id)
    ]);
    return llm.invoke(`比较以下两篇文档关于"${aspect}"的异同：\n文档1: ${doc1}\n文档2: ${doc2}`);
  },
  {
    name: "compare_documents",
    description: "比较两篇文档在某个方面的异同。",
    schema: z.object({
      doc1Id: z.string(),
      doc2Id: z.string(),
      aspect: z.string(),
    }),
  }
);

// 组装 Agent
const agent = await createOpenAIFunctionsAgent({
  llm: new ChatOpenAI({ model: "gpt-4o" }),
  tools: [searchKB, searchCode, compareDocs],
  prompt: ChatPromptTemplate.fromMessages([
    ["system", `你是一个知识检索 Agent。对于复杂问题：
1. 先分解问题，确定需要检索哪些信息
2. 逐一检索，分析结果
3. 如果信息不足，继续检索
4. 综合所有检索结果给出回答，并标注来源`],
    ["human", "{input}"],
    ["placeholder", "{agent_scratchpad}"],
  ]),
});

const executor = new AgentExecutor({ agent, tools: [searchKB, searchCode, compareDocs] });

3. 实战：复杂技术问题的多轮检索

vbnet 复制代码

const result = await executor.invoke({
  input: "我们项目的认证方案和业界最佳实践有哪些差距？需要改动哪些文件？"
});

// Agent 自主执行过程：
// Step 1: search_knowledge_base("认证最佳实践")
// Step 2: search_knowledge_base("当前项目认证实现")
// Step 3: search_codebase("authenticate", "./src")
// Step 4: compare_documents(doc1, doc2, "认证方案")
// Step 5: 综合回答

4. GraphRAG + AgenticRAG 组合

当 Agent 能同时操作文本检索和图谱检索：

php 复制代码

// Tool 4: 图谱查询
const queryGraph = tool(
  async ({ entity, relation }) => {
    const result = await graphRetriever.search(entity);
    return `与"${entity}"的关系：${JSON.stringify(result.relations)}`;
  },
  {
    name: "query_knowledge_graph",
    description: "查询知识图谱中某个实体的关联关系。",
    schema: z.object({
      entity: z.string(),
      relation: z.string().optional(),
    }),
  }
);

典型对话：

css 复制代码

User: "支付模块挂了会影响哪些服务？"
Agent: 
  1. query_graph("支付模块", "depends_on")  → 发现 6 个直接依赖
  2. search_kb("支付模块故障处理")           → 拿到故障预案文档
  3. 综合回答：列出影响的服务链 + 推荐的故障处理步骤

5. Agentic RAG 的工程挑战

挑战	表现	应对
过度检索	Agent 连续检索 10+ 次不停止	设置 maxIterations=5
检索漂移	偏离原始问题，越搜越远	每次检索前让 Agent 确认"这一步能帮回答原问题吗"
重复检索	用相似关键词反复搜	缓存检索结果，去重
成本爆炸	Agent 每一步都调 LLM + Embedding	设置 token 预算，简单问题降级为传统 RAG
幻觉放大	Agent 误解检索结果，基于错误信息继续检索	要求每轮输出"当前发现"供审计

6. 何时用 Agentic RAG

arduino 复制代码

问题复杂度评估：
├─ 单概念查询 ("React.memo 怎么用") → 传统 RAG
├─ 比较查询 ("memo vs useMemo") → 传统 RAG + 多检索
└─ 探索性查询 ("我们的系统有哪些性能瓶颈？")
    └─ Agentic RAG（需要自主探索）

经验法则：如果人类回答这个问题需要查 3 个以上不同来源，就值得用 Agentic RAG。

7. 最小可运行 Agentic RAG

php 复制代码

// agentic-rag/minimal.ts
import { AgentExecutor, createOpenAIFunctionsAgent } from "langchain/agents";
import { ChatOpenAI } from "@langchain/openai";

export async function createMinimalAgentRAG(vectorStore: any) {
  const searchTool = tool(
    async ({ query }) => {
      const results = await vectorStore.similaritySearch(query, 5);
      return results.map(r => r.pageContent).join("\n---\n");
    },
    { name: "search", description: "搜索知识库", schema: z.object({ query: z.string() }) }
  );

  const agent = await createOpenAIFunctionsAgent({
    llm: new ChatOpenAI({ model: "gpt-4o" }),
    tools: [searchTool],
    prompt: ChatPromptTemplate.fromMessages([
      ["system", "你是知识库助手。复杂问题可以多次搜索后再回答。"],
      ["human", "{input}"],
      ["placeholder", "{agent_scratchpad}"],
    ]),
  });

  return new AgentExecutor({
    agent,
    tools: [searchTool],
    maxIterations: 5,
    returnIntermediateSteps: true,  // 返回中间步骤供 UI 展示
  });
}

上一篇：B · Graph RAG：知识图谱增强检索

系列完结。回到第一篇：RAG 架构全景与 Node.js 选型地图