RAG-Agent Pattern（检索增强 Agent 模式）
一个 Agent 自主决定何时从知识库检索额外上下文，综合检索到的信息，产出有依据的回复。
适用场景
- 基于知识库的问答——答案必须基于特定文档
- 代码库感知的 AI 助手——需要先读取源文件才能回答
- 文档问答——选择性检索（并非所有查询都需要检索）
- 实时信息查询——推理过程中需要最新知识
- 多跳推理——需要综合多个来源的信息才能回答
不适用场景
- 通用知识查询——如果 LLM 已知答案，检索只会增加不必要的延迟
- 固定检索模式——如果总是检索相同来源，使用 MapReduce
- 简单关键词搜索——传统搜索引擎更快更合适
- 需要所有文档——RAG-Agent 选择性检索；如果需要穷举覆盖，使用 MapReduce
架构图
graph TD
START --> decide{决定：检索还是回答？}
decide -->|检索| retrieve[检索文档]
decide -->|回答| END
retrieve --> synthesize[综合上下文]
synthesize --> decide
decide -->|达到最大检索次数| END核心概念
RAG-Agent Pattern 将 LLM 的推理能力与外部知识库的选择性检索相结合。与 MapReduce 的区别：MapReduce 无论相关性如何都检索所有来源；RAG-Agent 根据查询决定是否需要检索。
与 MapReduce 的关键区别： - MapReduce：固定检索管道——所有来源都被分析 - RAG-Agent：条件检索——Agent 决定需要什么，减少不必要的检索
Agent 循环： 1. 决定：给定查询和已检索的上下文，决定是需要更多检索还是直接回答 2. 检索（如需要）：从知识库检索特定文档 3. 综合：将新检索的文档整合到 Agent 的上下文中 4. 循环：Agent 用更新后的上下文再次决策 5. 回答：满意后（或达到最大检索次数），Agent 产出最终答案
快速开始
cd patterns/rag_agent
python example.py
核心代码
def _decide(self, state: RAGAgentState) -> dict:
"""Agent 决定是否检索更多或直接回答"""
response = self.llm.invoke(messages)
# 解析 ## Decision: RETRIEVE 或 ANSWER
# 返回 should_retrieve, docs_to_retrieve, response, reasoning
工作流程
- 决定：Agent 评估查询，判断是否需要额外上下文
- 检索（如需要）：从知识库检索特定文档
- 综合：将检索到的文档整合到 Agent 的上下文中
- 循环：Agent 用更新后的上下文再次决策
- 回答：满意后（或达到最大检索次数），Agent 产出最终答案
配置参数
| 参数 | 默认值 | 说明 |
|---|---|---|
model |
gpt-4o-mini |
LLM 模型名称 |
llm |
None |
预配置的 LLM 实例 |
max_retrievals |
3 |
最大检索迭代次数 |
与其他模式对比
| 维度 | RAG-Agent | MapReduce | Reflection |
|---|---|---|---|
| 检索触发 | Agent 决策 | 总是检索所有来源 | 从不（内部知识） |
| 检索范围 | 选择性 | 穷举式 | N/A |
| Agent 自主性 | 高 | 低 | 中 |
| 最佳场景 | 多跳问答 | 全面分析 | 质量提升 |
| 延迟 | 按需 | 总是高 | 低 |
示例输出
查询: Python 是什么？何时创建的？
检索次数: 1
检索到的文档: 1
- [doc1]
回答: Python 是一种高级编程语言，以可读性著称。
由 Guido van Rossum 于 1991 年创建...