DeepAgents : 检索（Retrieval）

大语言模型（LLM）虽能力卓越，却受两大固有制约：

上下文窗口有限------无法一次性处理大规模语料；
知识时效性固化------训练数据截止后即不再更新。

为突破这些限制，检索机制让模型能在推理时动态获取外部知识，而检索增强生成（RAG） 则进一步将检索与生成结合，产出有据可依的答案。

1. 知识库构建

知识库是检索系统的数据底座，可由文档、结构化数据等构成。LangChain 提供丰富的文档加载器 和向量存储，基于私有数据快速搭建知识库。已有数据库、CRM 或内部文档系统的，则无需重复建设，可直接将其作为工具接入，实现：

智能体式 RAG（Agentic RAG）：让 Agent 自主决定检索时机与方式；
两步 RAG（2‑Step RAG）：固定先检索后生成，流程清晰可预测。

检索流水线

一个标准的检索流程通常包含以下模块化步骤（各组件均可灵活替换）：

各构建模块（加载器、分割器、嵌入模型、向量库等）均解耦设计，便于按需组合。

2. RAG 架构选型

根据业务对控制力 、灵活性 和延迟的要求，可选择不同架构：

架构	特点	控制力	灵活性	延迟	典型场景
两步 RAG	固定检索顺序，生成前必检	高	低	稳定、快	FAQ、文档问答机器人
智能体式 RAG	Agent 自主决定检索时机与工具	低	高	不固定（取决于推理路径）	需调用多种工具的研究助手
混合 RAG	融合两者，加入验证与重试环节	中	中	不固定	对答案质量有严格要求的领域系统

3. 两步 RAG（2‑Step RAG）

该模式简单直接：每次回答前必须执行检索，将检索结果作为生成上下文。它适用于大多数对流程稳定性要求高的场景。

4. 智能体式 RAG（Agentic RAG）

此模式让 LLM 驱动的 Agent 在推理过程中自主判断是否检索 、检索什么 以及如何使用检索结果 。只需为 Agent 配备一个或多个检索工具 （如文档加载器、网页抓取、SQL 查询等），即可赋予其动态获取外部知识的能力。

代码示例（基础工具定义）：

python 复制代码

import requests
from langchain.tools import tool
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent

@tool
def fetch_url(url: str) -> str:
    """获取指定 URL 的文本内容"""
    response = requests.get(url, timeout=10.0)
    response.raise_for_status()
    return response.text

system_prompt = """当你需要从网页获取信息时，使用 fetch_url 工具，并引用相关片段。"""
agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[fetch_url],
    system_prompt=system_prompt,
)

实战：面向 LangGraph 文档的智能体问答

以下 Agent 会先读取 llms.txt（内含文档索引），再根据用户问题动态调用 fetch_documentation 获取并解析相关页面：

python 复制代码

import requests
from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain.tools import tool
from markdownify import markdownify

ALLOWED_DOMAINS = ["https://langchain-ai.github.io/"]
LLMS_TXT = 'https://langchain-ai.github.io/langgraph/llms.txt'

@tool
def fetch_documentation(url: str) -> str:
    """从指定 URL 抓取文档并转为 Markdown"""
    if not any(url.startswith(domain) for domain in ALLOWED_DOMAINS):
        return f"错误：URL 不在允许范围内，必须以 {', '.join(ALLOWED_DOMAINS)} 开头。"
    response = requests.get(url, timeout=10.0)
    response.raise_for_status()
    return markdownify(response.text)

# 预先加载文档索引（无需每次经 LLM）
llms_txt_content = requests.get(LLMS_TXT).text

system_prompt = f"""
你是一位资深的 Python 技术专家，专注于 LangGraph 生态。

工作原则：
1. 凡涉及 API 用法、配置或行为的问题，**必须**使用 `fetch_documentation` 查阅官方文档。
2. 引用文档时需给出总结和关键上下文。
3. 禁止访问非允许域名下的 URL。
4. 若获取失败，请告知用户并基于已有知识尽力作答。

可用文档索引如下：
{llms_txt_content}
"""

tools = [fetch_documentation]
model = init_chat_model("claude-sonnet-4-6", max_tokens=32_000)
agent = create_agent(model=model, tools=tools, system_prompt=system_prompt, name="AgenticRAG")

response = agent.invoke({
    'messages': [HumanMessage(content="写一个使用预置 create_react_agent 的 Agent，用于查询股票价格。")]
})
print(response['messages'][-1].content)

5. 混合 RAG（Hybrid RAG）

该架构融合前两种模式，在检索前后增加中间处理步骤，例如：

查询增强：改写模糊问题、生成多版本查询或添加上下文；
检索验证：判断初次检索是否充分，不足则优化后二次检索；
答案验证：校验生成答案的准确性与完整性，不符合则修正或重生成。

它适合查询条件不明确、涉及多源数据或需要严格质量把控的复杂场景。