RAG（11） - Agentic RAG：基于 LangGraph 实现大模型自主决策的 RAG 闭环系统

读完后，你应能完成以下任务：

绘制“RAG（14） - Agentic RAG：基于 LangGraph 实现大模型自主决策的 RAG 闭环系统 / 本篇定位”的关键对象与数据流，解释“这是 RAG 和 LangGraph 的融合篇，重点在闭环决策而不是一次检索。”，并用源码位置、日志或 Trace 标注证据。

为“RAG（14） - Agentic RAG：基于 LangGraph 实现大模型自主决策的 RAG 闭环系统 / 核心拆解”设计正常与异常输入，验证“它判断当前证据是否足够回答问题，避免把弱证据硬塞给模型。”，输出首个偏差位置与回归测试结果。

实现“RAG（14） - Agentic RAG：基于 LangGraph 实现大模型自主决策的 RAG 闭环系统 / 工程链路”的最小代码或配置，检验“判断问题是否需要知识库。”，输出命令、结果与 Diff，并说明不适用边界。

一、Agentic RAG的学习定位与边界

这是 RAG 和 LangGraph 的融合篇，重点在闭环决策而不是一次检索。

二、Agentic RAG的真实应用场景

普通 RAG 是用户一问就检索，然后回答。Agentic RAG 会多想一步：这个问题需要检索吗？检索结果够好吗？不够要不要改写 query？是不是应该换关键词检索？证据不足是否拒答？这些判断构成一个闭环。

三、Agentic RAG的核心对象与机制

Agentic RAG 把 RAG 的步骤拆成图节点：路由、检索、评估、改写、回答、拒答。
评估节点很关键。它判断当前证据是否足够回答问题，避免把弱证据硬塞给模型。
闭环必须有次数限制。改写检索可以提高命中率，但无限重试会烧 token 和延迟。

四、Agentic RAG的工程链路

判断问题是否需要知识库。
检索候选证据。
评估证据相关性和覆盖度。
不够则改写 query 后重试。
足够则生成带引用答案。
多次失败则拒答或转人工。

五、Agentic RAG的落地建议

评估节点可先用规则和分数阈值，再逐步引入 LLM 判断。
改写 query 要保留原始问题，避免越改越偏。
每轮检索都记录 query、hits、score 和决策原因。

六、Agentic RAG的常见故障与误区

把 Agentic RAG 当成“多检索几次”。
没有证据评估，闭环只是绕远路。
改写 query 后丢失用户原意。

七、Agentic RAG在学习路线中的位置

26 讲 RAG 评测，36/75 讲 LangGraph；76 把它们组合成可自我修正的 RAG 闭环。

八、Agentic RAG的核心结论

Agentic RAG 是把检索、评估、改写、回答、拒答做成状态图。它会判断证据是否足够，不够就有限次改写重试，仍不够就拒答。核心是证据评估和停止条件，而不是无脑多搜几轮。

九、动手实践：Agentic RAG 自纠错闭环

用显式状态图模拟 route → retrieve → grade → rewrite → answer/refuse。实验同时运行“改写后命中”和“达到上限仍无证据”两个场景。

9.1 在线运行

零依赖，Python 3.10+ 可运行。真实 LangGraph 会负责节点注册、条件边和 Checkpoint；这个实验保留相同状态与停止条件，便于先理解执行轨迹。

9.2 重点观察

原始问题始终保留，改写只更新 search_query。
证据评分低于阈值才允许有限次改写。
达到上限仍无证据时明确拒答，不把弱证据交给生成节点。

9.3 可运行源码：Agentic RAG：基于 LangGraph 实现大模型自主决策的 RAG 闭环系统

main.py

十、总结

本篇定位：这是 RAG 和 LangGraph 的融合篇，重点在闭环决策而不是一次检索。
核心拆解：它判断当前证据是否足够回答问题，避免把弱证据硬塞给模型。
落地建议：改写 query 要保留原始问题，避免越改越偏。
常见坑：没有证据评估，闭环只是绕远路。
复述答法：Agentic RAG 是把检索、评估、改写、回答、拒答做成状态图。

知识点思维导图

参考资料