LangChain Agentic RAG：让 Agent 自己决定要不要检索、检索几次

for_ever_love__2026-10-12 12:03

个人主页： > for_ever_love__ <（欢迎各位大佬莅临😊）
其他栏目: > 大模型开发从0到1 <
其他栏目: > iOS项目总结大全 <
其他栏目: > 我想学python了 <
其他栏目: > iOS UI <

文章目录

  • [LangChain Agentic RAG：让 Agent 自己决定要不要检索、检索几次](#LangChain Agentic RAG：让 Agent 自己决定要不要检索、检索几次)
    • [一、两种 RAG 的结构对比](#一、两种 RAG 的结构对比)
    • [二、最小实现：把 retriever 包成工具](#二、最小实现：把 retriever 包成工具)
    • 三、进阶：加上"反思"节点
    • [四、什么时候该用 Agentic RAG](#四、什么时候该用 Agentic RAG)
    • 五、成本对比
    • [六、让 Agent 知道"检索不到就别硬找"](#六、让 Agent 知道"检索不到就别硬找")
    • [七、完整示例：带反思的客服 Agent](#七、完整示例：带反思的客服 Agent)
    • 八、常见坑
    • 九、小结

LangChain Agentic RAG：让 Agent 自己决定要不要检索、检索几次

传统 RAG 是"问一次，检索一次，答一次 "的固定流程。

但很多问题根本不是一次检索能解决的：

"对比一下 2023 和 2024 年的差旅制度有什么变化"------

这需要检索两次，还得分别定位两个版本。

Agentic RAG 把"检索"变成一个工具 ，

让 Agent 自己决定：要不要查、查什么、查几次、够了没有。

一、两种 RAG 的结构对比

传统 RAG（固定链）：

复制代码 
问题 → 检索 → 拼 prompt → 生成 → 答案

流程写死，无论什么问题都走一遍。

Agentic RAG：

复制代码 
问题 → [Agent 思考] → 需要查吗？
          ├─ 不需要 → 直接回答（你好、谢谢这类）
          ├─ 需要 → 调用检索工具 → 结果满意吗？
          │           ├─ 不满意 → 换个查询再查
          │           └─ 满意 → 生成答案

核心区别：检索变成了 Agent 可支配的一个动作。

二、最小实现：把 retriever 包成工具

python 复制代码 
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

@tool
def search_knowledge_base(query: str) -> str:
    """在企业知识库中搜索相关内容。

    当需要查找公司制度、流程、产品规格、历史记录等信息时使用。
    query 应该是简洁的检索词，不要写完整句子。
    如果没找到有用内容，返回空字符串即可。
    """
    docs = retriever.invoke(query)
    if not docs:
        return "没有找到相关内容。"
    return "\n\n".join(
        f"[{i}] {d.page_content}" for i, d in enumerate(docs, 1)
    )

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
agent = create_react_agent(
    llm,
    [search_knowledge_base],
    prompt="""你是企业知识库助手。

规则：
1. 需要查资料时必须调用 search_knowledge_base，不要凭记忆回答；
2. 可以多次调用，每次用不同的检索词；
3. 检索不到时就说"没有找到相关信息"，不要编造；
4. 回答时在句末标注 [编号]。
""",
)

result = agent.invoke({"messages": [("user", "对比 2023 和 2024 年的差旅制度变化")]})

Agent 会自己跑出这样的轨迹：

复制代码 
🤔 需要分别查两个版本
🔧 search_knowledge_base("2023 差旅制度")
📄 [1] 2023版：一线城市 500 元...
🤔 还需要 2024 版
🔧 search_knowledge_base("2024 差旅制度")
📄 [1] 2024版：一线城市 600 元...
🤔 信息够了
💬 主要变化：一线城市从 500 元上调到 600 元[2]...

传统 RAG 做不到这一点------它只有一次检索机会。

三、进阶：加上"反思"节点

让 Agent 显式判断"检索到的内容够不够"：

python 复制代码 
from typing import TypedDict, Annotated, Literal
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

class State(TypedDict):
    messages: Annotated[list, add_messages]
    documents: list
    retries: int

def retrieve(state: State):
    question = state["messages"][-1].content
    docs = retriever.invoke(question)
    return {"documents": docs}

def grade_documents(state: State) -> Literal["generate", "rewrite"]:
    """判断检索结果是否和问题相关"""
    docs = state["documents"]
    if not docs:
        return "rewrite"

    # 让 LLM 打分
    scores = grade_chain.batch([
        {"question": state["messages"][-1].content, "doc": d.page_content}
        for d in docs
    ], config={"max_concurrency": 5})

    relevant = [d for d, s in zip(docs, scores) if s == "yes"]
    if len(relevant) >= 2:
        return "generate"
    if state.get("retries", 0) >= 2:
        return "generate"      # 重试够了，硬着头皮答
    return "rewrite"

def rewrite_query(state: State):
    """换个说法再检索"""
    new_q = rewrite_chain.invoke({
        "question": state["messages"][-1].content
    })
    return {"messages": [HumanMessage(new_q)],
            "retries": state.get("retries", 0) + 1}

def generate(state: State):
    ctx = format_docs(state["documents"])
    ans = (prompt | llm | StrOutputParser()).invoke({
        "context": ctx,
        "question": state["messages"][0].content,
    })
    return {"messages": [AIMessage(ans)]}

graph = StateGraph(State)
graph.add_node("retrieve", retrieve)
graph.add_node("rewrite", rewrite_query)
graph.add_node("generate", generate)

graph.add_edge(START, "retrieve")
graph.add_conditional_edges("retrieve", grade_documents, {
    "generate": "generate",
    "rewrite": "rewrite",
})
graph.add_edge("rewrite", "retrieve")
graph.add_edge("generate", END)

app = graph.compile()

三个关键节点：

节点 作用
retrieve 检索
grade_documents 判断相关性，够就生成，不够就改写重查
rewrite 换个查询词，回到 retrieve

retries 上限很重要，否则会无限循环。

四、什么时候该用 Agentic RAG

场景 传统 RAG Agentic RAG
单跳问答（"报销标准多少"） ✅ 更快更省 过度设计
多跳问答（"A 和 B 有什么区别"） ❌ ✅
需要跨多个数据源 ❌ ✅
需要"先查再判断再查" ❌ ✅
简单闲聊（"你好"） 浪费一次检索 ✅ Agent 会跳过检索
延迟要求 < 1 秒 ✅ ❌ 至少多一轮

判断依据：你的问题是否需要"多步"。

如果 90% 的问题都是单跳问答，别上 Agentic RAG，

那 10% 单独处理就行。

五、成本对比

传统 RAG Agentic RAG
LLM 调用 1 次（生成） 2~4 次（思考 + 检索判断 + 生成）
检索 1 次 1~3 次
延迟 2~3 秒 5~15 秒
token 1 份上下文 多份上下文累积

Agentic RAG 明显更贵更慢。

所以只在需要多跳的场景用。

一个折中方案：路由------简单问题走传统链，复杂问题走 Agent：

python 复制代码 
def route(question: str):
    if is_multi_hop(question):      # 规则或轻量分类
        return agent.invoke({"messages": [("user", question)]})
    return fast_chain.invoke(question)

六、让 Agent 知道"检索不到就别硬找"

这是 Agentic RAG 最容易出问题的地方 ：

Agent 可能连续换 5 个查询词反复搜，最后还是编一个答案。

防护三招：

① 工具返回明确的空结果

python 复制代码 
@tool
def search_knowledge_base(query: str) -> str:
    """..."""
    docs = retriever.invoke(query)
    if not docs:
        return "知识库中没有找到相关内容。请不要反复重试不同的检索词，" \
               "直接告诉用户没有找到。"
    ...

在工具返回值里直接下指令 ，比在 system prompt 里说更有效

（因为它出现在模型"刚看到"的位置）。

② 限制步数

python 复制代码 
agent.invoke({"messages": [...]}, config={"recursion_limit": 8})

③ 显式的"放弃"出口

python 复制代码 
prompt = """
...
4. 如果两次检索都没找到，直接回答"没有找到相关信息"，
   并说明已尝试过哪些检索词。不要编造，不要继续重试。
"""

七、完整示例：带反思的客服 Agent

python 复制代码 
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

@tool
def search_faq(query: str) -> str:
    """搜索常见问题库。用于查找退款、物流、发票等标准问题的答案。"""
    return "\n".join(d.page_content for d in faq_retriever.invoke(query)) or "无结果"

@tool
def search_order(order_id: str) -> str:
    """根据订单号查询订单状态和物流。订单号形如 SO20240115。"""
    return api.query_order(order_id)

@tool
def escalate_to_human(reason: str) -> str:
    """转人工客服。当无法解决用户问题，或涉及退款/投诉时使用。"""
    create_ticket(reason)
    return "已创建人工工单，客服将在 1 个工作日内联系用户。"

agent = create_react_agent(
    ChatOpenAI(model="gpt-4o-mini", temperature=0),
    [search_faq, search_order, escalate_to_human],
    prompt="""你是电商客服助手。

流程：
1. 先判断问题类型：标准问题 → search_faq；具体订单 → search_order
2. 找不到答案时，最多再换一次检索词
3. 仍然找不到 → 调用 escalate_to_human 转人工
4. 涉及退款、投诉的，直接转人工，不要自行处理

不要编造物流信息、退款金额、政策条款。
""",
)

for chunk in agent.stream(
    {"messages": [("user", "我的订单 SO20240115 什么时候到")]},
    stream_mode="values",
    config={"recursion_limit": 8},
):
    ...

给 Agent 一个"转人工"的工具 是很实用的设计------

它给模型一个明确的"我搞不定"的出口，比让它硬答好得多。

八、常见坑

现象 原因 解法
反复检索同一个意思 没有放弃出口 工具返回里下指令；限制步数
延迟很高 多轮调用 简单问题路由走传统链
简单问题也去检索 没区分 prompt 里写明"打招呼不用检索"
上下文爆炸 多轮检索结果都留着 只保留相关的；或用裁剪节点
明明有答案却说没有 工具返回"无结果"太早 检查检索阈值是否过严

九、小结

  • Agentic RAG 把检索变成工具，Agent 自己决定查不查、查几次；
  • 最小实现：@tool 包住 retriever + create_react_agent，
    工具描述要写清楚什么时候用；
  • 进阶加反思节点 ：retrieve → grade → (generate | rewrite → retrieve)，
    必须设重试上限；
  • 适合多跳问答、跨数据源；单跳问答用传统链更快更省；
  • 成本是 2~4 倍，可以用路由做快慢分离；
  • 防"反复检索 + 硬编"三招：工具返回值里下指令、限制步数、
    给一个 escalate 类的明确出口    。

下一篇讲 Corrective RAG------检索质量不好时怎么补救。

相关推荐
木头科技2 小时前
【AI 工程化第十五篇】Spring AI 流式输出高并发性能优化实战：SSE、背压、限流、缓存与灰度发布
人工智能·spring·性能优化
AICoder码农王2 小时前
如何写 Skill 第4课，脚本不进门
人工智能
星云低代码开发平台2 小时前
AI 连接器运行健康度：指标、异常恢复和联调清单
大数据·运维·网络·数据库·人工智能·mcp
stereohomology2 小时前
用免费算力额度实现markdown TeX混合编码主题及转换
人工智能·语言模型·llm·薅羊毛
一切皆是因缘际会2 小时前
科技的变化
人工智能
aiAIman2 小时前
Jev 入门：没有 API Key，先看懂三种原语和请求结构(Datawhale Jev Cookbook )
人工智能·aigc
Data-Miner3 小时前
AI 做表数据分析知识百科：定义、原理、概念与应用
人工智能·数据挖掘·数据分析
昇腾CANN3 小时前
开发者说直播预告｜10月13日19:00 社区任务开发经验分享
人工智能·昇腾·cann
阿明副业观察3 小时前
AI视频生成设备选型指南：平板 vs 电脑，怎么选更高效？
大数据·人工智能·ai作画·aigc·电脑·音视频·ai写作
Artdesign_Y3 小时前
2026 电商短视频生产 SOP：任务分层、工具组合与素材资产化
人工智能·工具分享·电商干货
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02历年考研数学一、数学二、数学三真题试卷及答案PDF03GitHub 镜像站点04「全语录+省流版」邵艾伦 × 孙宇晨：聊风口、聊个人IP、聊年轻人如何抓住 AI 时代的机会05如何新建文件夹？ 电脑新建文件夹的4种方法06蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接07Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）08轻量化AI渗透武器库｜ARTEX自主攻防系统、资产梳理、漏洞挖掘、链路分析全流程智能化落地09Telegram APK 下载安装完整指南 — 2026年最新10微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新