agentic-rag-patterns

用途

Agentic RAG Patterns 面向需要构建「会自我纠错」的检索增强生成流水线的开发者。传统 RAG 的固定「检索—拼接—生成」链路在检索质量不佳时会直接产出低质量答案；本模式通过引入 LLM 驱动的评分与路由决策，让系统在检索结果不理想时主动改写查询或转向其他信息源。适用于智能体式 RAG 流水线、自适应检索、查询改写等场景。

主要能力

资料覆盖三类模式：

Self-RAG：核心是在检索后加入文档评分环节，用 LLM 对每篇文档相对问题的相关性给出二值判断（yes/no），只保留相关文档，并在过滤比例过高时触发兜底。
Corrective-RAG（CRAG）：在文档质量不达标时先重写查询再重试检索，重试次数用尽后回退到网页搜索。
Knowledge Graph RAG：将知识图谱与向量检索结合，支持基于实体的检索与多跳推理，资料中仅列出关键词与解决的问题，未给出代码示例。

此外还包含自适应检索（查询路由、多检索器编排、动态检索策略）。

使用方式

资料以 LangGraph 为例给出可复用代码结构，典型流程为：

查询 → 检索 → 评分 → 生成 / 改写 / 联网搜索 → 响应

关键组成部分包括：

状态定义 RAGState：使用 TypedDict，包含 question、documents（用 operator.add 作为 reducer 累加）、generation、web_search_needed、retry_count、relevance_scores。
retrieve 节点：从向量库调用 retriever.invoke 获取文档。
grade_documents 节点：用 Pydantic 模型 GradeDocuments 返回二值分数，遍历文档打分并过滤，同时记录 relevance_scores；当保留文档少于原始数量的一半时置 web_search_needed 为 True。
transform_query 节点：调用 question_rewriter 重写问题，并递增 retry_count。
web_search 节点：调用 tavily_client.search（max_results=5，search_depth="advanced"），把结果包装为 Document，metadata 标记 type 为 web。
generate 节点：把文档编号拼接为上下文后调用 rag_chain 生成答案。
route_after_grading 条件路由：web_search_needed 为真且 retry_count 小于 2 时走 transform_query，否则走 web_search；文档合格则走 generate。
build_crag_workflow：用 StateGraph 组装以上节点与边，transform_query 回到 retrieve 形成重试环，web_search 指向 generate，最终 compile。

关键决策建议（来自资料）

评分阈值：二值（yes/no）比连续分数更简单。
最大重试次数：查询改写 2-3 次。
网页搜索：作为最后手段，需考虑延迟与成本。
兜底顺序：改写 → 联网 → 拒答。

常见错误（资料列举）

没有兜底路径，遇到坏查询会卡住。
无限重写循环，缺少重试上限。
每次查询都走网页搜索，成本高昂。
不记录相关性分数，难以调试。

版本与限制

资料提及 LangGraph 1.0.6（2026 年 1 月），涉及 langgraph-checkpoint 4.0.0、编译期 checkpointer 校验、命名空间清理。除此之外，具体的安装命令、依赖版本要求、收费与价格、支持平台、性能效果等事实，资料中暂未提供。代码示例假定已存在 retriever、retrieval_grader、question_rewriter、rag_chain、tavily_client 等外部对象，资料未给出其初始化方式。

技能介绍

用途