检索增强生成（RAG）为AI系统访问和运用外部知识进行推理带来了根本性变革。然而，随着实际应用场景日趋复杂，传统RAG方式的局限性也逐渐暴露。当前，RAG技术正逐步从原本的单一线性流程，演进为能够依据查询复杂度与上下文语境，动态调整检索与生成策略的自适应智能系统。

本文将深入解析Agentic RAG系统，重点介绍如何基于LangGraph和Qwen构建Agentic RAG。在进入具体实现之前，让我们先明确什么是Agentic RAG。

一、理解Agentic RAG

Agentic RAG是一种更先进的RAG策略，它融合了两大核心能力：动态查询分析和自我纠错机制。它被认为是RAG发展中最成熟的形态，其核心理念是：查询的复杂度各不相同。研究表明，现实场景中的查询复杂度差异显著：

• 简单查询：如“成都是哪个省的省会？”—— 语言模型即可直接回答。
• 多跳查询：如“清朝时期，康熙皇帝什么时候派人修建圆明园，并由谁主持设计？”—— 需要经过多轮推理才能得出准确答案。

Agentic RAG系统工作流程图

Agentic RAG的核心流程分为以下几步：

1. 查询路由与分类

系统首先通过训练好的复杂度分类器对输入问题进行分析，这不是简单的关键词匹配，而是基于语义的智能评估，以确定：

• 是否需要检索，模型自身知识是否足以回答。
• 如果需要检索，问题需要多复杂的处理路径。
• 最终将问题路由到最优策略：无需检索、单步检索处理或多跳推理。

2. 动态知识获取策略

根据分类结果，系统会动态选择最合适的知识获取方式：

• 基于索引的检索：适用于已有知识库即可覆盖的问题。
• 网络搜索：适用于需要最新信息或本地知识不足的场景。
• 无需检索：模型自身知识即可快速生成答案。

3. 多阶段质量保障

在生成答案的多个环节，系统通过多层评估确保结果的准确性与可靠性：

• 文档相关性评估：通过置信度评分判断检索内容的匹配度。
• 幻觉检测：识别并避免无依据的生成内容。
• 答案质量评估：确保最终输出完整、准确且符合查询需求。

二、Agentic RAG实现指南

本文将落地一套自适应Agentic RAG系统：对用户查询做细粒度判断，在检索与路由之间做出智能决策，强调可复用、可扩展与工程落地。该实现展示了：

• **智能查询分析：**根据问题类型与难度自动选择最优执行路径；
• **系统化评估框架：**以离线与在线指标校验回答，确保可靠与一致；
• **自适应架构设计：**在向量库、内部API与互联网搜索之间自由路由与切换。

本方案在原始LangChain实现基础上完成重构，显著提升代码可读性与可维护性，并优化开发者体验。我们将使用以下技术栈和组件：

• LangGraph：编排复杂的有状态工作流；
• Qwen：作为主要语言模型；
• 向量数据库：用于高效文档检索；
• 网络搜索集成：获取实时信息；
• 全链路的评估框架：从数据到答案的质量保障。

接下来，我们将循序渐进地构建一个Agentic RAG系统，并按照最有助于理解整体流程的逻辑顺序，逐一拆解各组件的功能与实现细节。

第1步：定义状态管理系统与核心常量

在Agentic RAG系统中，状态管理是整个流程的基础，它决定了信息在图结构中的流动方式，也是系统能实现动态自适应决策的核心环节。

import osfrom typing import List, TypedDict, Dict, Any, Literalfrom dotenv import find_dotenv, load_dotenvfrom pydantic import BaseModel, Field
from langchain_core.prompts import ChatPromptTemplatefrom langchain_core.runnables import RunnableSequencefrom langchain_core.output_parsers import StrOutputParserfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain_chroma import Chromafrom langchain_community.chat_models.tongyi import ChatTongyifrom langchain_community.document_loaders import WebBaseLoaderfrom langchain_community.embeddings import HuggingFaceBgeEmbeddingsfrom langchain.schema import Documentfrom langchain import hubfrom langgraph.graph import END, StateGraph
from chinese_recursive_text_splitter import ChineseRecursiveTextSplitterfrom langchain_tavily import TavilySearch
class GraphState(TypedDict):    """    表示图中每个节点的状态。    属性：        question: 用户输入的问题        generation: LLM生成的回答        web_search: 是否需要进行网络搜索        documents: 存放本地或网络检索到的文档列表        fallback: 是否由LLM直接生成    """    question: str    generation: str    web_search: bool    documents: List[str]    fallback: bool

在开始编码前，我们引用了相关的依赖库。

然后，我们使用TypedDict来定义 图中每个节点的状态，既保证类型安全，又保留工作流动态处理的灵活性。

接下来，定义图中各节点的名称常量：

RETRIEVE = "retrieve"GRADE_DOCUMENTS = "grade_documents"GENERATE = "generate"WEBSEARCH = "websearch"LLM_FALLBACK = "llm_fallback"

这些常量有助于保持代码一致性，集中管理节点名称不仅方便重构，也能减少在工作流中引用节点时出现错误的可能性。

第2步：初始化模型文件

这段代码的作用是初始化核心模型文件，为后续构建Agentic RAG系统做准备，包含两个部分：初始化大语言模型和嵌入模型。

# 加载环境变量load_dotenv(find_dotenv())
# 加载大语言模型llm_model = ChatTongyi(model_name="qwen-max", streaming=True, temperature=0)
# 加载嵌入模型embed_model = HuggingFaceBgeEmbeddings(                model_name="../bge-large-zh-v1.5",                model_kwargs={'device': 'cuda'},                encode_kwargs={'normalize_embeddings': True}                )

第3步：构建查询路由链

在*Agentic RAG*系统中，查询路由器是首个决策环节，其核心任务是***智能判断用户问题的类型**，并选择最优知识来源*，确保系统能够高效、准确地响应各种查询。

# 定义路由输出结构class RouteQuery(BaseModel):    """将用户的问题路由到最相关的数据源"""    datasource: Literal["vectorstore", "websearch", "llm_fallback"] = Field(        ...,        description="根据用户问题，将其路由到向量数据库、网络搜索或直接由LLM生成",    )
# 将 LLM 包装成结构化输出模式，输出 RouteQuery 类型structured_llm_router = llm_model.with_structured_output(RouteQuery)
# 系统提示词system = """你是一个专家级的路由器，负责判断用户问题应该选择哪个路径。1. 如果问题是闲聊或寒暄（如“你好”、“讲个笑话”、“你是谁？”），选择llm_fallback；2. 如果问题与AI技术文档相关，选择vectorstore；3. 如果需要最新实时信息，选择websearch；只输出vectorstore、websearch或llm_fallback即可。"""
# 构建提示模板route_prompt = ChatPromptTemplate.from_messages(    [        ("system", system),        ("human", "{question}"),    ])
# 组合提示模板与结构化路由模型question_router = route_prompt | structured_llm_router
def route_question(state: GraphState) -> str:    """根据路由器决定问题走向"""    print(state)    print("---路由问题---")    source: RouteQuery = question_router.invoke({"question": state["question"]})    if source.datasource == "websearch":        return WEBSEARCH    elif source.datasource == "vectorstore":        return RETRIEVE    else:        return LLM_FALLBACK

在这一环节，系统会对用户问题进行智能分类并选择最合适的处理路径：

• vectorstore：当问题涉及AI技术内容时，直接从向量数据库检索答案。
• websearch：当问题需要最新实时信息时，调用网络搜索获取数据。
• llm_fallback：对于闲聊、寒暄等问题，直接由LLM生成答案。

通过这一智能化路由策略，Agentic RAG系统在知识覆盖、实时性与灵活性之间实现了平衡：本地知识库命中时快速返回高质量答案；知识库覆盖不足时，网络搜索补充最新信息；对于无需检索的场景，LLM_FALLBACK确保系统仍能生成合理且连贯的回应。

第4步：构建文档向量检索节点

文档向量检索是RAG系统的知识核心，负责将用户问题与本地知识库中的高相关内容匹配，为生成答案提供可靠上下文。

def create_vectorstore():    """创建或加载向量存储，用于文档检索"""    chroma_path = "./chroma_langchain_db"        # 如果本地已经存在向量数据库，直接加载    if os.path.exists(chroma_path):        print("正在加载本地向量存储...")        vectorstore = Chroma(            persist_directory=chroma_path,            embedding_function=embed_model,            collection_name="rag-chroma",        )        return vectorstore.as_retriever()        # 如果没有，构建新的向量数据库    print("正在创建新的向量存储...")    urls = [        "https://aws.amazon.com/cn/what-is/large-language-model/",        "https://zhuanlan.zhihu.com/p/659386520",        "https://zhuanlan.zhihu.com/p/620342675",    ]        # 从网页加载内容    docs = [WebBaseLoader(url).load() for url in urls]    docs_list = [item for sublist in docs for item in sublist]        # 将长文本拆分为小片段    text_splitter = ChineseRecursiveTextSplitter(        chunk_size=250,  # 每段大小约 250 tokens        chunk_overlap=0  # 不重叠    )    doc_splits = text_splitter.split_documents(docs_list)        # 构建 Chroma 向量存储并持久化到本地    vectorstore = Chroma.from_documents(        documents=doc_splits,        collection_name="rag-chroma",        embedding=embed_model,        persist_directory=chroma_path,    )        print("向量存储创建完成！")    return vectorstore.as_retriever()
# 初始化检索器retriever = create_vectorstore()
def retrieve(state: Dict[str, Any]) -> Dict[str, Any]:    """从向量存储中检索相关文档"""    print("---RETRIEVE---")    question = state["question"]    # 使用预先配置好的检索器获取最语义相关的文档    documents = retriever.invoke(question)    return {"documents": documents, "question": question}

这一环节是整个知识库的核心，流程可以拆解为以下几个部分：

1. 加载环境变量
   通过load_dotenv读取配置文件，方便灵活调用不同模型或参数，减少硬编码带来的维护成本。
2. 定义高质量知识源
   我们选取了三篇技术文章作为示例，作为知识库的基础内容，后续也可以根据业务需要进行扩展。
3. 加载网页内容
   利用WebBaseLoader抓取网页内容，并转换为标准的文档对象，便于后续处理。
4. 文本智能切分
   通过ChineseRecursiveTextSplitter将长文本切分成250 tokens的小片段，且不设置重叠。这种切分方式可以兼顾语义完整性和检索效率，确保模型在检索时定位更加精准。
5. 构建本地向量存储
   调用Chroma向量数据库，将切分后的文本片段向量化，并结合嵌入模型生成高质量语义向量，再持久化存储到本地。这意味着即使重启环境，也能快速加载，无需重复构建。
6. 实现检索节点
   当用户输入问题时，检索器会从本地数据库中找到语义相关度最高的文档，为后续的生成环节提供精准上下文。

通过这一流程，RAG系统具备了高效、稳定的语义检索能力。后续再结合评分和决策机制，就能进一步过滤噪声信息，仅保留高质量、强相关的文档，从而显著提升生成内容的准确性与可靠性。

第5步：构建网络搜索节点

**为了*扩展知识覆盖范围*，Agentic RAG系统引入网络搜索节点，用于处理*实时信息*或*本地知识库未覆盖的领域问题。*

# 初始化 Tavily 搜索工具，最多返回 3 条结果web_search_tool = TavilySearch(max_results=3)
def web_search(state: GraphState) -> Dict[str, Any]:    print("---WEB SEARCH---")    question = state["question"]        # 获取已有文档，若无则创建空列表    documents = state.get("documents", [])        # 调用网络搜索    tavily_results = web_search_tool.invoke({"query": question})["results"]    joined_tavily_result = "\n".join(        [tavily_result["content"] for tavily_result in tavily_results]    )    web_results = Document(page_content=joined_tavily_result)        # 将搜索结果加入文档列表    if documents:        documents.append(web_results)    else:        documents = [web_results]    return {"documents": documents, "question": question}

****网络搜索节点*的引入是为了弥补本地向量数据库的局限，在处理*实时问题*或*未覆盖的领域知识****时显得尤为重要：

1. *接入Tavily搜索*

   Tavily是针对AI应用优化的搜索API，能够快速找到与问题最相关的网页内容。每次搜索最多返回3条结果，确保信息简洁且精准。

2. *合并搜索结果*

   搜索完成后，系统会将多条网页内容合并为一个Document对象，并追加到当前的文档集合中。

3. *实现混合知识检索*

   系统可同时利用本地向量库处理领域专业问题，也可通过网络搜索获取最新、全面的答案。

这种**“*本地知识+网络搜索*”的混合策略，让RAG系统既能保持生成结果的**准确性*，又具备*广度和灵活性****，从而应对从技术深研到新闻热点等多样化的查询场景。

第6步：创建文档检索评分节点

文档检索评分器是整个流程的质量把控环节，用于校验从向量数据库检索出的文档是否真正契合用户问题。这一步至关重要，因为向量相似度≠语义相关性，有时检索结果看似匹配，但实际语境并不契合。

# 定义评分输出结构class GradeDocuments(BaseModel):    """用于检查检索文档是否与问题相关的二元评分"""    binary_score: str = Field(        description="判断文档是否与问题相关，仅输出 'yes' 或 'no'"    )
# 将 LLM 模型封装为结构化输出模式structured_llm_grader = llm_model.with_structured_output(GradeDocuments)
# 系统提示词system_prompt = """你是一个负责评估检索结果相关性的评分器。如果文档内容包含了与问题相关的关键词，或者语义上与问题匹配，请评为 'yes'。如果完全无关，则返回 'no'。请严格输出 'yes' 或 'no'，用于标记该文档是否与用户问题相关。"""
# 构建提示模板grade_prompt = ChatPromptTemplate.from_messages([    ("system", system_prompt),    ("human", "检索到的文档:\n\n {document} \n\n 用户问题: {question}"),])
# 组合评分链retrieval_grader = grade_prompt | structured_llm_grader
# 评分函数def grade_documents(state: Dict[str, Any]) -> Dict[str, Any]:    """    判断检索到的文档是否与问题相关。    如果有任何文档不相关，将触发 web 搜索标记。    Args:        state (dict): 当前图状态    Returns:        state (dict): 筛选出相关文档并更新 web_search 状态    """    print("---检查文档与问题的相关性---")    question = state["question"]    documents = state["documents"]    filtered_docs = []    web_search = False        for d in documents:        # 使用检索评分器评估文档相关性        score = retrieval_grader.invoke({            "question": question,            "document": d.page_content        })        grade = score.binary_score        if grade.lower() == "yes":            print("---评分结果：文档相关---")            filtered_docs.append(d)        else:            print("---评分结果：文档不相关---")            web_search = True            continue    return {"documents": filtered_docs, "question": question, "web_search": web_search}

其工作机制可以拆解为以下三点：

1. 结构化输出

   通过GradeDocuments模型强制生成yes或no的结果，确保后续处理简单且稳定。

2. 精准提示词

   同时检查关键词匹配与语义匹配，实现更全面的相关性评估。

3. 质量把控

   若检索内容不相关，则直接丢弃，避免误导生成；当无合格文档时，系统会自动触发网络搜索，补充缺失信息。

这种评分机制让检索模块在效率与准确性之间实现最佳平衡：本地知识库命中率高时响应更快，而在知识覆盖不足时，又能自适应扩展搜索范围，从而保障用户始终获得完整、准确的答案。

第7步：构建生成节点

生成节点是*RAG系统的大脑*，负责将用户问题与检索到的上下文信息结合，生成最终答案，实现从检索到生成的完整闭环。

# 从 LangChain Hub 拉取优化好的 RAG Promptprompt = hub.pull("rlm/rag-prompt")
# 构建生成链：提示模板 → LLM → 输出解析器generation_chain = prompt | llm_model | StrOutputParser()
def generate(state: GraphState) -> Dict[str, Any]:    """使用文档和问题生成答案"""    print("---GENERATE---")    question = state["question"]    documents = state["documents"]    # 调用生成链生成最终答案    generation = generation_chain.invoke({"context": documents, "question": question})    return {"documents": documents, "question": question, "generation": generation}
def llm_fallback(state: GraphState) -> Dict[str, Any]:    """当问题无需检索或搜索时，直接由 LLM 生成答案"""    print("---LLM FALLBACK---")    question = state["question"]    generation = llm_model.invoke(question).content    return {        "question": question,        "generation": generation,        "documents": [],        "web_search": False,        "fallback": True,    }

生成节点的核心特点：

1. 优化提示模板

   我们直接从LangChain Hub拉取专为**检索增强生成（RAG）**场景优化的Prompt模板。这个模板能更好地融合检索到的上下文信息，帮助模型生成更准确、更有逻辑的回答。

2. 输出结构化

   通过StrOutputParser，输出会被规范化为干净的纯文本格式，方便后续进行评分、质检或二次处理。

3. 核心价值

   生成链将用户问题、检索文档、提示模板有机结合，确保回答不仅完整、准确，还能直接用于答案质量评估和幻觉检测。

通过这个节点，RAG系统真正实现了**“从检索到生成”的完整闭环，生成的内容能够无缝支持答案质量评估与幻觉检测**等后续流程。

第8步：构建生成内容幻觉检测系统

幻觉检测器是*RAG系统中至关重要的质量保障组件*，用于确保生成答案基于事实，避免出现“貌似合理但错误”的内容。

# 定义幻觉评分输出结构class GradeHallucinations(BaseModel):    """用于检测生成答案中是否存在幻觉的二元评分"""    binary_score: bool = Field(        description="答案是否基于事实，仅输出 True 或 False"    )
# 将 LLM 封装为结构化输出模式structured_llm_grader = llm_model.with_structured_output(GradeHallucinations)
# 系统提示词system = """你是一个评分器，用于判断 LLM 生成的回答是否基于一组检索到的事实。请严格给出二元评分 'yes' 或 'no'。 'Yes' 表示答案基于/支持所提供的事实，'No' 表示答案未得到事实支持。"""
# 构建提示模板hallucination_prompt = ChatPromptTemplate.from_messages(    [        ("system", system),        ("human", "事实集合: \n\n {documents} \n\n LLM 生成内容: {generation}"),    ])
# 组合成可执行评分链hallucination_grader: RunnableSequence = hallucination_prompt | structured_llm_grader

幻觉检测器是RAG系统最关键的组件之一，用于确保生成内容真实且有事实依据：

1. 验证生成答案的真实性

   将模型输出与检索到的文档逐一对比，判断信息是否有可靠支撑。

2. 二元评分

   采用布尔值或**‘yes’/‘no’**的结果，避免模棱两可的判断。

3. 防止“貌似合理但错误”的回答

   一旦检测到幻觉，系统会触发重新生成或补充检索，确保输出内容准确可靠。

这一环节显著提升了RAG系统的可信度与安全性，让最终生成结果既智能又可靠。

第9步：创建答案质量评分器

答案质量评分器负责评估生成内容是否*真正回应用户问题*，确保输出不仅基于事实，还具有针对性和实用性。

# 定义答案评分输出结构class GradeAnswer(BaseModel):    binary_score: bool = Field(        description="答案是否有效回应问题，仅输出 True 或 False"    )
# 将 LLM 封装为结构化输出模式structured_llm_grader = llm_model.with_structured_output(GradeAnswer)
# 系统提示词system = """你是一个评分器，用于判断生成的答案是否解决了用户的问题。请严格给出二元评分 'yes' 或 'no'。'Yes' 表示答案有效回应并解决了问题，'No' 表示未解决。"""
# 构建提示模板answer_prompt = ChatPromptTemplate.from_messages(    [        ("system", system),        ("human", "用户问题: \n\n {question} \n\n LLM 生成内容: {generation}"),    ])
# 组合成可执行评分链answer_grader: RunnableSequence = answer_prompt | structured_llm_grader

答案质量评分器用于评估生成内容是否真正回应用户问题：

1. 验证回答的针对性

   即便答案基于事实，也需判断其是否直接解决了用户的具体需求。

2. 二元化评分

   采用**‘yes’或’no’**标记，确保评估结果清晰、易于处理。

3. 触发补救措施

   若答案未能有效回应问题，将启动额外检索或网络搜索，以获取更匹配的信息。

借助答案质量评分器，系统输出能够做到准确且切题，进一步提升用户体验与整体可靠性。

第10步：构建完整图工作流

这一环节是Agentic RAG系统的核心，将前面构建的检索、生成、评分和搜索模块有机整合，形成一个端到端智能闭环。

# 决策是否进入生成环节def decide_to_generate(state):    """根据文档评分决定走 web 搜索还是直接生成答案"""    print("---评估文档---")    return WEBSEARCH if state["web_search"] else GENERATE
# 对生成内容进行幻觉与答案质量评分def grade_generation_grounded_in_documents_and_question(state):    """评分生成答案的真实性与有效性"""    print("---检查幻觉与答案质量---")    question = state["question"]    documents = state["documents"]    generation = state["generation"]    # 检查是否基于事实    score = hallucination_grader.invoke({"documents": documents, "generation": generation})    if score.binary_score:        # 检查答案是否有用        score = answer_grader.invoke({"question": question, "generation": generation})        return "useful" if score.binary_score else "not useful"    else:        return "not supported"
# 构建工作流workflow = StateGraph(GraphState)workflow.add_node(RETRIEVE, retrieve)workflow.add_node(GRADE_DOCUMENTS, grade_documents)workflow.add_node(GENERATE, generate)workflow.add_node(WEBSEARCH, web_search)workflow.add_node(LLM_FALLBACK, llm_fallback)workflow.set_conditional_entry_point(    route_question,    {WEBSEARCH: WEBSEARCH, RETRIEVE: RETRIEVE, LLM_FALLBACK: LLM_FALLBACK},)workflow.add_edge(RETRIEVE, GRADE_DOCUMENTS)workflow.add_conditional_edges(    GRADE_DOCUMENTS,    decide_to_generate,    {WEBSEARCH: WEBSEARCH, GENERATE: GENERATE},)workflow.add_conditional_edges(    GENERATE,    grade_generation_grounded_in_documents_and_question,    {"not supported": GENERATE, "useful": END, "not useful": WEBSEARCH},)workflow.add_edge(WEBSEARCH, GENERATE)workflow.add_edge(LLM_FALLBACK, END)app = workflow.compile()
# 导出图可视化app.get_graph().draw_mermaid_png(output_file_path="graph.png")

这个图工作流是Agentic RAG系统的核心，将前面构建的各模块有机整合，形成完整闭环：

1. 条件入口点
   系统根据路由器的判断，将问题分配至本地检索或网络搜索。
2. 自适应决策逻辑
   decide_to_generate：根据文档评分决定生成答案或进入网络搜索流程。
   grade_generation_grounded_in_documents_and_question：执行自我纠错机制，检测生成内容的真实性与质量，必要时触发重新生成或补充检索。
   route_question：负责初始问题的智能路由。
3. 动态工作流
   编译后的工作流能根据每一步的信息质量动态调整执行路径，确保最终输出可靠、准确。
4. 可视化
   最终导出graph.png，直观展示整个系统的执行流程。

通过这一环节，Agentic RAG系统完成了智能、自适应的端到端问答闭环，从用户提问到答案输出，每一步都可控、可验证，确保生成内容高质量、高可靠性。

LangGraph状态流程图

第11步：创建主应用入口

**主应用入口是*Agentic RAG系统*的用户交互界面，为系统提供了一个简洁、直观的*命令行测试环境。*

def format_response(result):    """提取并格式化工作流输出"""    if isinstance(result, dict):        return result.get("generation") or result.get("answer", "")    return str(result)
def main():    """自适应 RAG 系统命令行界面"""    print("=== Adaptive RAG System ===")    print("输入 'quit' 退出程序。\n")    while True:        question = input("Question: ").strip()        if question.lower() in ['quit', 'exit', 'q', '']:            break        print("Processing...")        try:            # 调用工作流生成答案            for output in app.stream({"question": question}):                result = next(iter(output.values()))            print(f"\nAnswer: {format_response(result)}\n")        except Exception as e:            print(f"Error: {e}")
if __name__ == "__main__":    main()

核心解析：

1. 加载环境变量
   确保程序能正确读取API密钥和模型配置。

2. 调用工作流

   通过已编译的app，利用app.stream()实现流式输出。

3. 结果处理

   format_response函数从输出中提取生成的答案，方便直观展示。

4. 交互体验
   用户在终端输入问题即可获得完整的Adaptive RAG问答体验。

有了这个入口文件，整个系统即可完成端到端运行和测试，轻松展示其智能、灵活的自适应问答能力。

四、运行系统

完成环境配置与代码准备后，即可启动Agentic RAG系统：

正在加载本地向量存储...流程图导出为 graph.png=== Adaptive RAG System ===输入 'quit' 退出程序。
Question: 明天天津天气怎么样？有雨吗？
Processing...{'question': '明天天津天气怎么样？有雨吗？'}
---路由问题---{'question': '明天天津天气怎么样？有雨吗？'}
---WEB SEARCH---{'question': '明天天津天气怎么样？有雨吗？', 'documents': [Document(metadata={}, page_content='... 明天上午阴有阵雨,下午阴转多云,南风3-4级转微风,今天夜间最低气温23度,明天白天最高气温27度,相对湿度90%到67%.今夜我市有明显降雨过程,降雨时伴有雷电,短时强降\n今起三天，我国降雨将分为南北两条雨带，北方降雨集中在华北、东北等地，明天起新一轮降雨将来袭；南方雨带位于云南、贵州、四川盆地西部一带，部分地区有大到暴雨。\n星期五 08/22. 阴. 西北风 ; 星期六 08/23. 雷阵雨. 北风 ; 星期日 08/24. 雷阵雨. 东北风 ; 星期一 08/25. 晴. 北风 ; 星期二 08/26. 多云. 东风.')]}
---GENERATE---{'documents': [Document(metadata={}, page_content='... 明天上午阴有阵雨,下午阴转多云,南风3-4级转微风,今天夜间最低气温23度,明天白天最高气温27度,相对湿度90%到67%.今夜我市有明显降雨过程,降雨时伴有雷电,短时强降\n今起三天，我国降雨将分为南北两条雨带，北方降雨集中在华北、东北等地，明天起新一轮降雨将来袭；南方雨带位于云南、贵州、四川盆地西部一带，部分地区有大到暴雨。\n星期五 08/22. 阴. 西北风 ; 星期六 08/23. 雷阵雨. 北风 ; 星期日 08/24. 雷阵雨. 东北风 ; 星期一 08/25. 晴. 北风 ; 星期二 08/26. 多云. 东风.')], 'question': '明天天津天气怎么样？有雨吗？', 'generation': '明天天津上午有阵雨，下午转为多云。全天南风3-4级转微风，气温在23到27度之间。'}
---检查幻觉与答案质量---
Answer: 明天天津上午有阵雨，下午转为多云。全天南风3-4级转微风，气温在23到27度之间。

从运行示例可以看到，系统完整执行了自适应的推理流程。

首先，它会对问题进行智能分析，判断是直接检索本地知识库还是调用网络搜索。在这个示例中，问题涉及最新天气情况，因此系统选择了实时搜索，从互联网上获取了最新的气象信息。

接着，系统将检索到的内容与问题进行匹配，生成自然语言回答。生成结果会经过幻觉检测与质量评估，以确保信息准确、逻辑合理并且与上下文一致。

最终，系统输出了一条可靠的回答：

明天天津上午有阵雨，下午转为多云，南风 3-4 级转微风，气温在 23 到 27 度之间。

整个过程充分体现了Agentic RAG系统的自适应能力——它能灵活选择信息来源，快速整合数据，并通过多重验证机制保证回答的准确性和可信度。

四、总结与未来方向

本文深入探讨了****Agentic RAG系统*的核心理念与实现路径，详细解析了如何基于*****LangGraph*构建有状态的工作流，并结合Qwen模型*、本地向量检索与网络搜索，实现具备动态路由、智能决策、自我纠错的增强生成系统。该方案能够精准识别查询复杂度，灵活选择最优检索与生成策略，并通过多阶段质量控制大幅提升答案的准确性、可靠性和时效性。

展望未来，Agentic RAG将向多模态融合与自主智能化方向持续演进。一方面，引入图像、视频、表格等*多模态数据*进行统一检索与生成，扩展系统在复杂任务中的适用性与表达能力；另一方面，结合*强化学习（RLHF）*及*反馈驱动的优化机制*，系统将具备持续迭代、动态学习的能力，实现更加精准的任务决策与答案优化。此外，借助大规模知识图谱与分布式检索架构，Agentic RAG有望实现更高效、更低延迟的知识利用，推动智能应用迈向更智能、更自适应的新阶段。

大模型未来如何发展？普通人能从中受益吗？

在科技日新月异的今天，大模型已经展现出了令人瞩目的能力，从编写代码到医疗诊断，再到自动驾驶，它们的应用领域日益广泛。那么，未来大模型将如何发展？普通人又能从中获得哪些益处呢？

通用人工智能（AGI）的曙光：未来，我们可能会见证通用人工智能（AGI）的出现，这是一种能够像人类一样思考的超级模型。它们有可能帮助人类解决气候变化、癌症等全球性难题。这样的发展将极大地推动科技进步，改善人类生活。

个人专属大模型的崛起：想象一下，未来的某一天，每个人的手机里都可能拥有一个私人AI助手。这个助手了解你的喜好，记得你的日程，甚至能模仿你的语气写邮件、回微信。这样的个性化服务将使我们的生活变得更加便捷。

脑机接口与大模型的融合：脑机接口技术的发展，使得大模型与人类的思维直接连接成为可能。未来，你可能只需戴上头盔，心中想到写一篇工作总结”，大模型就能将文字直接投影到屏幕上，实现真正的心想事成。

大模型的多领域应用：大模型就像一个超级智能的多面手，在各个领域都展现出了巨大的潜力和价值。随着技术的不断发展，相信未来大模型还会给我们带来更多的惊喜。赶紧把这篇文章分享给身边的朋友，一起感受大模型的魅力吧！

那么，如何学习AI大模型？

在一线互联网企业工作十余年里，我指导过不少同行后辈，帮助他们得到了学习和成长。我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑。因此，我坚持整理和分享各种AI大模型资料，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频。

学习阶段包括：

1.大模型系统设计
从大模型系统设计入手，讲解大模型的主要方法。包括模型架构、训练过程、优化策略等，让读者对大模型有一个全面的认识。

2.大模型提示词工程
通过大模型提示词工程，从Prompts角度入手，更好发挥模型的作用。包括提示词的构造、优化、应用等，让读者学会如何更好地利用大模型。

3.大模型平台应用开发
借助阿里云PAI平台，构建电商领域虚拟试衣系统。从需求分析、方案设计、到具体实现，详细讲解如何利用大模型构建实际应用。

4.大模型知识库应用开发
以LangChain框架为例，构建物流行业咨询智能问答系统。包括知识库的构建、问答系统的设计、到实际应用，让读者了解如何利用大模型构建智能问答系统。

5.大模型微调开发
借助以大健康、新零售、新媒体领域，构建适合当前领域的大模型。包括微调的方法、技巧、到实际应用，让读者学会如何针对特定领域进行大模型的微调。

6.SD多模态大模型
以SD多模态大模型为主，搭建文生图小程序案例。从模型选择、到小程序的设计、到实际应用，让读者了解如何利用大模型构建多模态应用。

7.大模型平台应用与开发
通过星火大模型、文心大模型等成熟大模型，构建大模型行业应用。包括行业需求分析、方案设计、到实际应用，让读者了解如何利用大模型构建行业应用。

学成之后的收获👈

• 全栈工程实现能力：通过学习，你将掌握从前端到后端，从产品经理到设计，再到数据分析等一系列技能，实现全方位的技术提升。

• 解决实际项目需求：在大数据时代，企业和机构面临海量数据处理的需求。掌握大模型应用开发技能，将使你能够更准确地分析数据，更有效地做出决策，更好地应对各种实际项目挑战。

• AI应用开发实战技能：你将学习如何基于大模型和企业数据开发AI应用，包括理论掌握、GPU算力运用、硬件知识、LangChain开发框架应用，以及项目实战经验。此外，你还将学会如何进行Fine-tuning垂直训练大模型，包括数据准备、数据蒸馏和大模型部署等一站式技能。

• 提升编码能力：大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握将提升你的编码能力和分析能力，使你能够编写更高质量的代码。

学习资源📚

1. AI大模型学习路线图：为你提供清晰的学习路径，助你系统地掌握AI大模型知识。
2. 100套AI大模型商业化落地方案：学习如何将AI大模型技术应用于实际商业场景，实现技术的商业化价值。
3. 100集大模型视频教程：通过视频教程，你将更直观地学习大模型的技术细节和应用方法。
4. 200本大模型PDF书籍：丰富的书籍资源，供你深入阅读和研究，拓宽你的知识视野。
5. LLM面试题合集：准备面试，了解大模型领域的常见问题，提升你的面试通过率。
6. AI产品经理资源合集：为你提供AI产品经理的实用资源，帮助你更好地管理和推广AI产品。

👉获取方式： 😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】