用途：该技能用于实现“智能体式 RAG”，即在传统“查询→检索→生成”的一次性流程上，加入规划、工具使用、反思与迭代，让智能体自主拆解复杂问题、选择检索来源并判断上下文是否充分。
主要能力：资料给出五类模式。一是查询分解，把复杂查询拆成 2-5 个可独立回答的子查询；二是基于工具的路由，在内部文档、产品数据库、网页搜索、知识图谱等来源间选择；三是 LangGraph 工作流，用 plan、retrieve、reflect、refine、generate 节点与条件边构成循环；四是多源编排，先由路由模型决定查询哪些来源，再并行检索并去重融合；五是自反思 RAG，在生成时输出答案、反思、置信度与缺失信息，据此改写查询重试。
使用方式：资料中的示例基于 LangChain、LangGraph 与 OpenAI 模型，包含 ChatPromptTemplate、Tool、AgentExecutor、StateGraph 等用法，以及 decompose_query、retrieve_node、reflect_node、should_continue、refine_node、generate_node 等函数。必要命令与代码需按原文保留，此处不展开完整示例。
适用场景：多部分问题、比较类查询、研究任务以及需要多来源检索的场景更适合使用；简单事实性问题用标准 RAG 即可。
限制与注意事项：资料建议迭代上限设为 3-5 次以防死循环，子查询并行化，缓存中间结果，跟踪 token 消耗，并在反思失败时回退到标准 RAG。性能方面，延迟约为标准 RAG 的 2-5 倍，token 消耗约 3-10 倍，复杂查询质量提升约 15-30%。应选择性用于复杂查询，而非全部请求。其他平台、收费与部署细节暂未提供。