本页目录
LangChain v1Note 09

第 5 章：RAG 检索 Agent

学习目标

全部笔记查看源文档

学习目标

将 retriever 包装为工具，观察标准 Agent 怎样决定检索、接收带来源的文档片段，再生成受证据约束的回答。

核心机制

RAG 不要求一定使用 Agent。固定问答可直接写 retriever | format_docs | prompt | model；当模型需要决定“要不要检索、检索什么、是否继续用其他工具”时，把 retriever 变为 tool 更合适：

@tool
def search_learning_notes(query: str) -> str:
    """Search the local learning notes."""
    return format_documents(retriever.invoke(query))


agent = create_agent(model=model, tools=[search_learning_notes])

工具输出必须带来源和文本片段。它会变成 ToolMessage，模型才能据此写答案；仅把向量分数交给模型没有可读语义。生产环境还应把 source、文档版本、权限过滤和引用格式作为明确 schema。

与当前项目的关系

项目的 researcher() 已通过 get_all_tools(runtime.context, runtime.store) 动态绑定工具。RAG tool 与 Tavily/MCP 一样可放入该列表，但应在调用前用 Runtime.context.user_id 过滤权限，并限制 k、单片段长度和总 token，防止知识库内容压垮工具上下文。

最小真实 Agent

05_rag_agent.py 建立内存 retriever，定义 search_learning_notes，并要求 create_agent 先调用它再回答：

uv run python docs/langchain/examples/05_rag_agent.py

它会产生 embedding 和一次或多次模型调用，未调用网页、MCP 或数据库。

当前验证记录

本章依赖第 4 章的真实 embedding 索引。当前 API 网关对 text-embedding-3-small 返回 503 model_not_found，所以 Agent 尚未进入工具循环。本章保持真实 retriever/embedding 实现，状态为“受外部条件阻塞”，而非以 mock 检索结果伪造 RAG 验证。

常见误区

  • “要求必须调用工具”只是 prompt 约束；关键任务仍应通过应用侧校验 ToolMessage 或路由保证。
  • 检索到文档不等于文档可信或最新，应保留来源并做索引更新。
  • 不要把原始文档不加长度限制地返回工具；应按 chunk、k 和 token 预算截断。

相关资源

  • 查看示例代码：docs/langchain/examples/05_rag_agent.py 
    """Chapter 5: let a standard agent use a local retriever as a tool."""

import asyncio

from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain_core.tools import tool

from open_deep_research.configuration import Configuration
from rag_data import build_retriever


load_dotenv()


async def main():
    settings = Configuration.from_env()
    retriever = build_retriever()

    @tool
    def search_learning_notes(query: str) -> str:
        """Search the local LangChain and LangGraph learning notes."""
        documents = retriever.invoke(query)
        return "\n\n".join(
            f"[{document.metadata['source']}] {document.page_content}"
            for document in documents
        )

    agent = create_agent(
        model=init_chat_model(model=settings.research_model, max_tokens=180),
        tools=[search_learning_notes],
        system_prompt=(
            "你是学习资料问答助手。回答知识库问题前必须调用 "
            "search_learning_notes；只依据工具返回内容回答。"
        ),
    )
    result = await agent.ainvoke(
        {
            "messages": [
                {
                    "role": "user",
                    "content": "LangChain 和 LangGraph 在这个知识库中如何分工？",
                }
            ]
        }
    )
    print("最终回答: " + str(result["messages"][-1].content))


if __name__ == "__main__":
    asyncio.run(main())