项目概述

这个项目实现了一个基于LangChain和LangGraph的代理式检索增强生成(Agentic RAG)系统。不同于传统RAG系统，代理式RAG能够根据问题复杂度和检索结果动态调整工作流程，实现更智能的文档检索和问答能力。

本项目展示了我对现代RAG系统设计和实现的深入理解，结合了最新的LLM应用框架和最佳实践，适用于需要从特定知识库提取信息并生成高质量回答的各种场景。

技术栈

• 核心框架：LangChain + LangGraph
• 语言模型：OpenAI GPT模型系列
• 向量数据库：Chroma DB (持久化向量存储)
• 嵌入模型：OpenAI Embeddings
• 文档处理：LangChain Document Loaders, RecursiveCharacterTextSplitter
• 工作流编排：LangGraph StateGraph

核心功能与特性

1. 文档处理与索引 (src/indexing.py)

• 支持多种数据源的文档加载
• 使用RecursiveCharacterTextSplitter进行智能文档分块
• 通过OpenAI Embeddings生成文本向量表示

2. 智能检索模块 (src/retrieval.py)

• 利用Chroma DB实现高效的持久化向量存储与检索
• 支持可配置的检索参数(top k, 相似度阈值等)
• 实现基于元数据的过滤检索

3. 代理式RAG工作流 (src/rag_chain.py)

• 使用LangGraph构建有状态的多阶段工作流
• 实现查询分析、检索执行、结果评估和响应生成等节点
• 支持条件分支，根据检索结果质量决定下一步操作

4. 智能决策与反馈循环

• 自动评估检索结果相关性
• 支持查询改写以优化检索效果
• 在必要时提供无法找到答案的诚实回应