用途：构建超越基础 RAG 的智能文档检索系统，用 LangGraph 编排多智能体查询流程。
主要能力：层级索引（用小粒度子块检索、取大粒度父块补充上下文）；对话记忆；查询澄清（改写模糊问题或暂停等待人工确认）；多智能体 map-reduce 分解复杂查询并行处理；结果不足时自我纠错重查；上下文压缩避免长对话重复检索；模型供应商无关，支持 Ollama、OpenAI、Anthropic、Google 及任意 LangChain 兼容 LLM。
使用方式：克隆仓库后创建虚拟环境并安装依赖： git clone https://github.com/GiovanniPasq/agentic-rag-for-dummies.git cd agentic-rag-for-dummies python -m venv venv source venv/bin/activate pip install -r requirements.txt 本地模型需安装 Ollama 并拉取模型，如 ollama pull qwen3:4b-instruct-2507-q4_K_M；云端需安装对应包并设置 OPENAI_API_KEY、ANTHROPIC_API_KEY 或 GOOGLE_API_KEY。流程为：PDF 转 Markdown、按标题与固定长度做父子分块、用 Qdrant 混合检索（稠密+稀疏）建立索引，再定义 retrieve_documents 与 get_parent_context 工具，构建智能体图与编排图。
适用场景：需要多轮对话、复杂问题分解、可追溯上下文的文档问答与知识库检索。
限制：资料未提供具体收费、性能基准与部署细节；需自行准备文档与模型环境，工具调用建议使用 7B 以上模型。