L07 练习

改 code.py 里的代码，运行 python agent-lessons/07_agentic_rag/code.py 观察变化。

练习 1：观察 Agent 的工具选择逻辑

仔细看实验 1 的四个问题，Agent 分别选了什么工具：

问题	Agent 选了什么？	选对了吗？
"年假有几天？"	？
"1+1 等于几？"	？
"你好"	？
"北京天气？"	？

思考：Agent 是怎么"知道"什么时候该检索、什么时候不该的？（提示：靠 search_knowledge_base 的 description——里面写了"当用户问公司制度时使用"）这印证了 L04 的"description 是灵魂"。

练习 2：实现多轮检索

当前 Agent 检索一次就结束。试着让它能"查不到就换关键词再查"。在 run_agentic_rag 里加逻辑：

# 如果检索结果里包含"没找到相关内容"，Agent 自然会看到这个反馈
# 你只要在 prompt 里引导它"如果第一次没查到，换个关键词再查"
SYSTEM_PROMPT = """你是一个聪明的助手。如果 search_knowledge_base 的结果里说'没找到'，
你可以换一个更宽泛或更具体的关键词再查一次（最多重试2次）。"""

然后问一个第一次可能查不准的问题（用一个生僻的表述），看 Agent 会不会自动换关键词重查。

思考：多轮检索是 Agentic RAG 相比传统 RAG 的核心优势——传统 RAG 查一次就结束，Agent 能自适应调整。

练习 3：对比成本（省钱对比）

传统 RAG 每个问题都要：1次 embedding + 1次检索 + 1次生成。Agentic RAG 对不需要检索的问题只：1次生成。

算一下，假设有 100 个用户问题，其中 30% 是闲聊/计算类（不需要 RAG）：

传统 RAG：100 次 embedding + 100 次检索 + 100 次生成
Agentic RAG：约 70 次 embedding + 70 次检索 + 100 次生成（省了 30%）

思考：在生产环境，这种"按需检索"能省多少 API 成本？尤其 embedding 和检索量大的时候。

练习 4：加入你自己的文档

回顾 RAG 课程的 L09（毕业作品）。把你自己的一个文档放进 data/sample_docs/，重启本课程序。

然后问关于你自己文档的问题，看 Agentic RAG 能不能正确检索并回答。再问一个不相关的问题（如"今天几号"），看它会不会跳过检索。

思考：你已经把 RAG 和 Agent 两大体系打通了。这个 Agentic RAG 系统，本质上就是你 RAG 课毕业作品的"智能化升级版"——从"无脑检索"变成"按需检索"。

✅ 完成本课后，你应该能回答

传统 RAG 的核心局限是什么？（提示：无脑检索）
Agentic RAG 怎么解决这个局限？（提示：Agent 自主决定）
怎么把 RAG 包装成 Agent 的工具？（提示：检索函数 + tools 定义）
多轮检索是什么？为什么传统 RAG 做不到？
为什么说"RAG 是 Agent 工具箱里的一把扳手"？这个认知为什么重要？