LangGraph-agent 系列之4——RAG

作者：CSDN博客
本文实现了一个基于 RAG（检索增强生成）的智能体，专门用于回答关于 “2024 年股市表现” 的问题。它通过加载指定的 PDF 文档（Stock_Market_Performance_2024.pdf），构建向量数据库，并结合 LLM（大语言模型）生成基于文档内容的精准回答。
一、核心流程如下：

1. 初始化与依赖加载

导入必要库：langgraph（状态图构建）、langchain（LLM、工具、文档处理）、chroma（向量数据库）等。通过load_dotenv()加载环境变量（主要是 API 密钥）。

2. 文档处理与向量库构建

PDF 加载：使用PyPDFLoader加载Stock_Market_Performance_2024.pdf，并验证文件是否存在。文档分割：通过RecursiveCharacterTextSplitter将 PDF 按chunk_size=1000（每块 1000 字符）、chunk_overlap=200（重叠 200 字符）分割为小片段，便于后续检索。向量存储：使用OpenAIEmbeddings（OpenAI 的嵌入模型）将分割后的文档片段转换为向量，存储在 Chroma 向量数据库中（路径为persist_directory，集合名为stock_market）。

3. 工具与智能体定义

检索工具（retriever_tool）：封装向量库的检索功能，当用户提问时，通过retriever.invoke(query)从向量库中获取最相关的 5 个文档片段（search_kwargs={"k":5}），并返回结果。LLM 配置：使用deepseek-chat模型作为主 LLM，并通过bind_tools(tools)绑定检索工具，使模型能生成工具调用指令。状态定义（AgentState）：通过TypedDict定义状态结构，核心字段messages用于存储对话历史（用户消息、LLM 响应、工具结果等），通过add_messages确保消息追加而非替换。

4. 状态图（LangGraph）工作流程

构建了包含两个节点的状态图，形成 “LLM 决策→工具检索→LLM 生成回答” 的闭环：

llm节点（call_llm函数）：接收当前对话历史，结合系统提示（system_prompt）调用 LLM 生成响应（可能包含工具调用指令）。retriever_agent节点（take_action函数）：解析 LLM 生成的工具调用指令，执行retriever_tool获取相关文档片段，将结果包装为ToolMessage返回。

• 流转逻辑：
  
  llm节点后通过should_continue判断：若 LLM 响应包含工具调用，则流向retriever_agent节点执行检索；否则直接结束（END）。retriever_agent节点执行后，结果返回llm节点，继续生成回答（可多轮检索）。
  
  
  

5. 交互流程

通过running_agent函数实现用户交互：

循环接收用户提问（输入 “exit” 或 “quit” 退出）。将用户问题转换为HumanMessage，传入智能体。智能体通过多轮 “检索→生成” 生成回答，并打印结果。

二、代码中使用了两个需要 API 密钥的服务，需在.env文件中配置：

智普AI API 密钥



• 用途：代码中使用 embeddings = ZhipuAIEmbeddings(    mo
  

原文地址：https://blog.csdn.net/yubo0509/article/details/150269558