在 GitHub 查看原文

L07 — Agentic RAG：Agent + RAG

本课目标：把你学过的 RAG 和 Agent 两大体系连起来。把 RAG 包装成一个"工具"，让 Agent 自主决定什么时候检索、检索什么。这是知识闭环的一课。

传统 RAG（你前 9 课学的）每次都检索，不管问题需不需要。Agentic RAG 让 Agent 按需检索——更聪明、更省钱。

1. 传统 RAG 的局限：无脑检索

回顾你在 RAG 课程学的标准流程：

用户问题 → 【必定检索】→ 拼接上下文 → 生成答案

问题在于"必定检索"。考虑这些场景：

核心问题：传统 RAG 没有"判断力"——不管什么问题都去翻文档。有些问题根本不需要翻文档，有些需要翻多次。

2. Agentic RAG：让 Agent 自主决定

Agentic RAG 的思路：把"检索知识库"变成 Agent 的一个工具，让 Agent 自己判断：

用户问题 → Agent 思考：
  ├─ 这个问题需要查知识库吗？
  │   ├─ 不需要（如"1+1"）→ 直接回答 / 调别的工具
  │   └─ 需要 → 调用 search_knowledge_base 工具
  │       └─ 查一次够吗？
  │           ├─ 够了 → 基于结果回答
  │           └─ 不够 → 换关键词再查（多轮检索）

传统 RAG vs Agentic RAG

🎯 核心认知：Agentic RAG 不是替代传统 RAG，而是把 RAG 升级成 Agent 的一个能力。RAG 变成了 Agent 工具箱里的一把"扳手"——需要时拿出来，不需要时收起来。

3. 多轮检索：查不到就换关键词

这是 Agentic RAG 最有价值的能力。传统 RAG 查一次就结束，如果召回不准，答案就错了。Agentic RAG 可以：

用户："张三的审批流程是什么？"
Agent 第1轮：检索 "张三 审批流程" → 没找到相关内容
Agent 第2轮：换个关键词检索 "审批流程" → 找到了！
Agent：基于结果回答

Agent 能根据第一次检索的结果判断够不够，不够就自动调整。这模拟了人类查资料的行为——找不到就换个搜法。

4. 怎么把 RAG 包装成工具

技术上很简单——你在 RAG 课程写过的检索逻辑，包装成一个函数 + tools 定义：

def search_knowledge_base(query: str) -> str:
    """检索知识库。直接复用你 RAG 课的代码！"""
    # 1. 向量化 query（embedding）
    # 2. Chroma 检索 top-k
    # 3. 返回相关文档片段
    ...

# 然后注册成 Agent 的一个工具
TOOLS_SPEC = [
    {"type": "function", "function": {
        "name": "search_knowledge_base",
        "description": "在公司知识库里搜索相关信息。当用户问公司制度、流程、政策等问题时使用。",
        ...
    }},
    # 还可以配其他工具（天气、计算器等）
]

💡 看，RAG 课程的 embedding + Chroma 检索代码，原封不动变成 Agent 的一个工具。这就是知识的复用和闭环。

5. 本课代码会做什么

code.py 实现一个 Agentic RAG 系统：

① RAG 工具化

把你 RAG 课的 employee_handbook + it_policy 文档建库，包装成 search_knowledge_base 工具。同时配 get_weather、calculator 工具。

② Agentic RAG Agent

Agent 面对不同问题自主决策： - "年假有几天？" → 调 search_knowledge_base - "1+1 等于几？" → 调 calculator（不碰知识库） - "你好" → 直接回答（不调任何工具）

③ 对比传统 RAG

同样的问题，传统 RAG 无脑检索 vs Agentic RAG 按需检索——看哪个更聪明、更省。

6. 跑起来

python agent-lessons/07_agentic_rag/code.py

终端会打印 Agent 面对不同问题的工具选择。重点看：简单问题（如"你好"）Agent 跳过检索，只有真正需要查文档时才检索。

下一课 L08 — 多智能体协作 会讲：多个 Agent 怎么分工合作。