RAG翻车实测+LangGraph Agent 实时抓取修复
传统 RAG 分五步：获取、分块、向量化存储、检索、生成。对制度、手册、历史档案，这套链路完全合理，因为这些知识几乎不变。但遇到"最新版本""今天的公告""当前价格"这类带时效的问法就会出问题：知识库在 T0 入库时写的是旧值，官方在 T1 更新，用户在 T2 提问，检索到的仍是 T0 的证据。模型能力没有下降，是它手里的证据停在了过去。
要看透这个问题，先看一张完整的 RAG 流程图。上面这条是传统链路：知识来源是文档，经过分块、向量化存储、检索、生成。下面这条是实时链路：知识来源换成搜索加抓取得到的实时网页，后面的分块、向量化存储、检索、生成，一步不少。两张图的骨架完全一样，唯一差别是知识来源------一个是冻结的文档快照，一个是实时的网页。