Retrieval-Augmented Generation（RAG）是一种结合信息检索和大型语言模型（LLMs）来回答用户查询的方法。传统上，这涉及将检索器直接连接到生成流水线。然而，通过 LangGraph 和 LangChain，我们可以进一步模块化这个过程，将检索器暴露为一个可调用的工具。
在这篇博客中，我将展示如何在 LangGraph 中使用工具调用实现一个 RAG 系统。我将模拟一个餐厅助理代理，回答关于 Bella Vista 餐厅的问题。
目标
构建一个基于 RAG 的代理，能够：
• 将文档检索器封装为一个可调用工具。
• 通过专门的回退工具处理无关话题的输入。
• 通过消息精简保持最小的代理状态。
• 利用 LangGraph 实现清晰的工作流路由。
步骤 1：设置 Python 和 uv
我们的 Agentic RAG 将是一个 Python 程序。首先，检查是否安装了 Python 3.10 或更高版本：
复制如果没有，从 python.org 下载 Python 3.10 或更高版本。
接下来，安装 uv，这是一个用于 Python 的快速依赖管理工具：
复制如果遇到权限问题，运行以下命令：
复制然后确认 uv 版本：
复制步骤 2：创建项目目录结构
现在创建项目目录和文件：
复制步骤 3：初始化 Python 项目并安装依赖
创建一个虚拟环境：
复制现在安装所有需要的包：
复制在 .env 文件中添加 Gemini API 密钥
从 AI Studio 生成你的 API 密钥并安全存储。可以按照以下步骤操作：
复制添加以下内容：
复制步骤 4：更新 .gitignore 以避免暴露密钥
复制步骤 5：在 tool_calling_agentic_rag.ipynb 中编写 RAG
1. 加载 API 密钥
复制2. 准备模拟数据集
我定义了一组关于餐厅的简单文档。
复制3. 创建向量存储和检索器
我们将使用 GoogleGenerativeAIEmbeddings 嵌入这些文档，并使用 Chroma 存储到向量数据库以进行检索。
复制4. 检查检索器是否正常工作
复制输出：
复制5. 定义检索器工具和无关话题工具
我们不直接调用检索器，而是将其转换为一个可调用工具。我还将定义一个无关话题工具，以优雅地处理无关查询。
复制6. 定义代理状态
状态结构被简化为仅保存消息。LangGraph 使用 reducer 管理更新。
复制7. 创建代理节点
代理函数将工具绑定到 LLM，并使用当前消息调用它。
复制8. 定义工作流路由器
条件边决定是转到工具执行节点还是结束工作流。
复制9. 构建并编译 LangGraph 工作流
复制10. 显示代理工作流
复制将 RAG 用作工具调用代理
11. 测试代理
复制输出：
复制恭喜！你刚刚创建了一个智能的工具调用 RAG 代理，能够精准地处理用户查询。
局限性
虽然上述实现对于小型、明确范围的领域非常有效，但仍有一些局限性：
• 可扩展性：随着文档库的增长，向量搜索和分类需要优化。
• 内存：当前实现不保留任何历史交互的记忆。LangGraph 的 InMemorySaver 可用于短期会话内存。对于生产级使用，建议使用数据库支持的持久内存解决方案。
将检索器封装为 LangChain 和 LangGraph 的可调用工具，提供了一种比传统 RAG 更简洁的替代方案。
它简化了代理逻辑，并允许语言模型自主决定何时检索信息。
如果这种方法最适合你的应用需求，那就选择它吧！
下载代码：https://github.com/ivrschool/langchain/blob/main/Langgraph/rag_tool_calling_agent.ipynb
