借助 LangGraph、OpenAI 和 Tavily 构建自适应 RAG 系统（含代码）

最新推荐文章于 2025-10-20 21:11:32 发布
原创 最新推荐文章于 2025-10-20 21:11:32 发布 · 1.8k 阅读 · 18 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#RAG #检索增强生成 #LangGraph #OpenAI #Tavily

自适应RAG系统（Multi-Agentic RAG：探索智能问答系统的新边界（含代码））是一种能够根据用户查询的具体语境，动态选择检索策略与生成方式的人工智能系统。它结合了先进的自然语言处理技术和信息检索算法，能够在海量数据中快速定位相关信息，并基于这些信息生成准确、连贯的回答。LangGraph、OpenAI和Tavily作为这一过程中的关键工具，分别承担着流程编排、语言生成与信息检索的重任。

一、系统架构与工具介绍

  1. LangGraph：LangGraph（探索LangGraph：开启AI Agent构建的新路径）是一个用于编排工具和管理对话逻辑的库。它允许开发者以图形化的方式定义工作流，将不同的功能模块（如检索器、生成器等）连接起来，形成一个高效的信息处理流程。在自适应RAG系统中，LangGraph负责协调各个组件的工作，确保信息能够顺畅地在不同模块间传递。

  2. OpenAI：OpenAI（OpenAI’s O3：AI推理模型的新前沿）是自然语言处理领域的领军企业，其提供的GPT系列模型在文本生成方面表现出色。在自适应RAG系统中，OpenAI模型被用作生成器，根据检索到的相关信息生成回答。通过微调OpenAI模型，可以使其更好地适应特定领域或任务的需求，从而提高生成的准确性和连贯性。

  3. Tavily：Tavily是一个强大的网络搜索引擎，它能够根据用户查询快速返回相关网页或文档。在自适应RAG系统中，Tavily作为外部信息源，为系统提供了丰富的背景知识和相关信息。通过集成Tavily，系统能够超越本地数据库的限制，获取更广泛的信息资源。

二、系统构建步骤

1、环境搭建

首先

最低0.47元/天 解锁文章
【人工智能】Tavily Search API ，专为人工智能代理（如大型语言模型）和检索增强生成（RAG）应用设计的搜索引擎。
奶爸的编程之路，也就一周冷个三天，欢迎关注我的微信公众号：本本本添哥
11-03 3868
Tavily是一个专为人工智能代理（如大型语言模型）和检索增强生成（RAG）应用设计的搜索引擎。Tavily的主要特点是提供高效、快速且持久的搜索结果，旨在帮助AI开发人员轻松地将应用程序与实时在线信息集成在一起。Tavily的官网：https://tavily.com/AI开发人员：需要将实时信息集成到AI应用中的开发人员。数据科学家：需要高效搜索和分析数据的研究人员。企业用户：希望通过无代码方式集成搜索功能的企业。
使用 LangGraph 构建可靠的 RAG 代理
数智笔记
05-07 1948
在这里，我们将使用 LangGraph、Groq-Llama-3 和 Chroma 构建可靠的 RAG 代理。我们将结合以下概念来构建 RAG 代理。自适应 RAG (论文。我们已经实现了本文中描述的概念，构建了一个路由器，用于将问题路由到不同的检索方法。校正 RAG (论文。我们已经实现了本文中描述的概念，开发了一个回退机制，用于在检索到的上下文与所问问题不相关时继续进行。自身 RAG (论文。我们已经实现了本文中描述的概念，开发了一个幻觉评分器，即修正那些产生幻觉或未回答所问问题的答案。
【AI】Tavily
LeonNo11的博客
05-07 8207
Tavily Search API 允许人工智能开发人员轻松地将他们的应用程序与实时在线信息集成在一起，主要目标是提供来自可信来源的真实可靠的信息，从而提高AI生成内容的准确性和可靠性。Tavily Search API的输出内容是针对搜索查询进行了定制的，提供了最相关和有信息量的结果。Tavily Search API 提供了几种不同的计划，以支持不同规模的使用需求，包括免费的研究者计划和付费的Bootstrap、Startup计划，这些计划提供了更多的API调用次数和定制化的主题及来源。
自适应检索增强生成（Adaptive RAG）：智能问答的新范式
neweastsun的专栏
10-20 1210
在当今信息爆炸的时代，如何高效地从海量数据中提取精准信息并生成高质量回答，成为人工智能领域的重要挑战。传统的检索增强生成（RAG）系统在处理各类问题时往往采用“一刀切”的策略，导致简单问题处理冗余、复杂问题回答浅显。**自适应RAG（Adaptive RAG）**应运而生，它通过智能判断问题复杂度，动态选择最优检索策略，从而实现高效、精准的问答体验。本文将深入解析自适应RAG的技术原理、实现步骤及实际应用，带你一步步构建属于自己的智能问答系统。
项目研究：使用 LangGraph 构建智能客服代理
技术研究记录
06-08 1075
本教程介绍如何用LangGraph构建智能客服代理。系统基于图的工作流，包含问题分类、情绪分析、自动响应和人工升级四大模块。通过定义State状态结构和多个处理节点，实现用户查询的自动化处理：首先分类问题类型，分析情绪倾向，若情绪负面则转人工，否则根据类别生成专业回复。工作流通过LangGraph构建，可视化展示各节点的逻辑关系。该方案能有效提升客服效率，缩短响应时间，适用于技术支持、账单咨询等常见场景。
1. langgraph实现高级RAG (数据准备)
The cure for boredom is curiosity. This is the log of its adventures.
11-28 993
通过以上步骤，我们成功从网页加载文档，进行文本分割，并构建了一个向量数据库。这个数据库可以用于后续的文本检索和相似性查询等任务。希望这个教程对你有所帮助！
LangGraph自适应RAG
for62的博客
06-18 915
本文应用了问题重写、web搜索、向量检索、文档评估、生成评估等流程。在实际的应用开发中完全可以基于此流程二次开发构建适应业务的大模型应用。
基于LangGraph和Ollama实现可调用AI搜索引擎Tavily的Agentic RAG问答机器人
weixin_41338279的博客
02-18 1726
这篇博客将和大家分享如何快速实现一个运行逻辑相较于传统链式RAG（用户询问 -> 检索相关信息作为上下文 -> LLM推理回复）更为智能、适应性更强的Agentic RAG Chatbot。
人工智能基于LangGraph与MCP协议的智能体开发技术指南：国产大模型驱动的AI Agent构建与RAG系统实现
09-01
进阶部分深入讲解了任务分解、多计划选择、检索增强生成（RAG）、CodeAct代码执行模式及Plan-and-Solve架构，并结合扣子（Coze）平台和LangChain工具链提供了低代码与代码级的开发案例，最后通过DeerFlow框架展示了...
使用 LangGraph 构建代理 RAG(agentic-rag)
最新发布
12-22
检索**增强生成（RAG）**通过结合**信息检索**和**大型语言模型（LLM）**的优势，彻底改变了我们构建人工智能应用的方式。 在RAG系统中，模型不会直接将整个大型数据集输入LLM，而是响应用户查询，从外部知识库或...
3. langgraph实现高级RAG (Agentic RAG)
The cure for boredom is curiosity. This is the log of its adventures.
11-28 1649
我们定义一个AgentState### Edges""""""else:### Nodes""""""""""""msg = [""""""1m[1;1m[1;我们使用StateGraph"agent",END: END,},
本地大模型编程实战(20)用langgraph和智能体实现RAG(Retrieval Augmented Generation,检索增强生成)(4)
liupras的博客
02-24 2310
上一篇文章我们演练了一个 [用 `langgraph` 实现的 `RAG(Retrieval Augmented Generation,检索增强生成)` 系统]。本文将要在此基础上，增加自动记录聊天历史的功能，另外，我们还将使用一个 `Agent(智能体)` 来实现几乎同样的功能，我们来一起体会一下用 `langgraph` 和 `Agent(智能体)` 实现 `RAG系统` 的区别。
用LangGraph搭建智能体—AI Agents in LangGraph（一）
l8947943的博客
07-20 2368
i = 0 # 控制循环轮次bot = Agent(prompt) # 初始化i += 1result = bot(next_prompt) # 每次将执行的结果，作为下一次提示词返回给模型] # Action函数用于得到过滤后的结果，用于获取后续函数执行时的输入和参数observation = known_actions[action](action_input) # 调用函数得到结果。
用 LangGraph 构建 Agent 逐步指南
star_nwe的博客
01-20 1506
LangGraph是一个构建于LangChain之上的高级库，旨在通过引入循环计算能力来增强您的大型语言模型（LLM）应用。虽然LangChain允许创建用于线性工作流的有向无环图（DAG），但LangGraph更进一步，支持添加循环，这对于开发复杂的、类似智能体的行为至关重要。这些行为使得LLM能够持续循环执行某个过程，根据不断变化的条件动态决定下一步要采取的行动。[LangGraph：结点、状态和边]LangGraph的核心概念是状态图状态：表示在计算过程中维护和更新的上下文或记忆。
LangGraph vs. OpenAI Agent SDK – 哪个代理构建框架更适合您？
《人工智能原理与实践》作者
04-23 1590
2023–2024 年被称为“代理”的一年：这些自主（或半自主）程序将 LLM 调用与工具、记忆和条件逻辑相结合，以完成实际工作。没有绝对的“更好”，只有“更适合当下项目”。
GraphRAG 在智能客服中的应用：提升客户服务体验
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
04-08 583
在前几篇博客中，我们详细探讨了 GraphRAG 在问答系统和文本生成中的应用。今天，我们将聚焦于 GraphRAG 在智能客服中的应用，了解如何利用 GraphRAG 提升客户服务体验。智能客服是企业与客户互动的重要渠道，通过引入 GraphRAG，可以显著提高客服系统的效率和准确性。
Neo4j + LangChain：如何构建基于知识图谱的最强RAG系统？
python1222_的博客
08-27 4637
这个工作流程结合了许多步骤，而我在这里没有讨论所有步骤。然而，我承认，仅使用 LangChain 构建高级 GraphRAG 应用程序遇到了一些困难。通过使用 LangGraph 解决了这些困难。最让我沮丧的是无法在提示模板中引入所需的多个输入变量，并将该模板传递给 LangChain Expression Language 中的 Graph QA 链。起初，LangGraph 看起来需要大量的学习，但一旦你克服了这个障碍，它就会变得顺畅起来。未来，我会尝试将代理引入到工作流程中。
如何使用LangChain和LangGraph大幅提升RAG效果
musicml的博客
03-27 2683
▼最近直播超级多，预约保你有收获—1—LangChain 的2大核心概念1、面向过程架构设计的 Chains（链）：基于大模型编写的程序，遵循预定义的步骤和规则，并且不可灵活调整，用于执行任务，比如：自动 SQL 编写或多轮对话等。2、面向目标架构设计的 Agents（智能体）：基于大模型的推理能力，对任务做出规划，然后使用第三方工具（比如：搜索工具、代码解释器、业务 API 等）完成规划子任务...
自适应 rag
06-02
### 自适应 RAG 的实现与应用 #### 自适应 RAG 的实现 自适应 RAG 是一种动态调整检索和生成策略的技术，其核心在于结合查询分析和主动/自校正机制来优化性能。具体实现可以分为以下几个方面： 1. **查询分析**：在接收用户查询后，系统会首先对查询内容进行语义分析，以确定最佳的检索策略[^1]。这一步骤可以通过自然语言处理技术完成，例如使用预训练语言模型（如 BERT 或 RoBERTa）对查询进行编码。 2. **检索策略调整**：根据查询分析的结果，系统可以选择不同的检索方式，包括无检索、单次检索（Single-shot RAG）或多轮迭代检索（Iterative RAG）。这种灵活性使得系统能够适应不同复杂度的查询需求[^1]。 3. **生成策略优化**：生成模块负责将检索到的信息转化为最终输出。自适应 RAG 系统可以根据任务需求调整生成策略，例如通过引入模块化设计（Modular Rag）来增强系统的灵活性[^2]。 4. **系统测试与优化**：完成初步构建后，需要对系统进行全面测试，评估其在不同场景下的表现（如准确率、召回率等）。根据测试结果，可以进一步优化工作流、检索策略和生成策略，从而提升整体性能[^4]。 以下是一个简单的代码示例，展示如何基于 LangGraph 和 OpenAI 构建一个基础的自适应 RAG 系统： ```python import langgraph import openai def adaptive_rag(query): # 查询分析 query_analysis = langgraph.analyze_query(query) # 根据查询分析选择检索策略 if query_analysis["complexity"] == "low": retrieved_docs = langgraph.single_shot_retrieval(query) else: retrieved_docs = langgraph.iterative_retrieval(query) # 使用 OpenAI 进行生成 prompt = f"Given the following context: {retrieved_docs}, answer the question: {query}" response = openai.Completion.create( engine="text-davinci-003", prompt=prompt, max_tokens=150 ) return response.choices[0].text.strip() # 示例调用 result = adaptive_rag("What is the capital of France?") print(result) ``` #### 自适应 RAG 的应用 自适应 RAG 技术已经在多个领域得到了广泛应用，主要包括： 1. **问答系统**：在问答领域，自适应 RAG 能够结合外部知识库为用户提供准确、个性化的回答。例如，在企业级搜索引擎中，该技术可以帮助员工快速找到所需信息[^2]。 2. **编程辅助**：在编程领域，自适应 RAG 可用于代码生成和补全任务。通过检索相关的代码片段并生成适当的解决方案，开发者可以显著提高工作效率[^2]。 3. **智能客服**：在客户服务场景中，自适应 RAG 系统可以根据用户的历史对话记录动态调整检索和生成策略，提供更加精准的服务[^3]。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

大模型之路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值