agentStep 05-07: RAG / Self-Correction / Multi-Agent
这些步骤是进阶内容，包含核心概念和实现代码。
Step 05: RAG - 知识检索
核心概念
RAG = Retrieval-Augmented Generation（检索增强生成）
┌─────────────────────────────────────────────────────┐
│ RAG 流程 │
├─────────────────────────────────────────────────────┤
│ │
│ 用户问题 ──▶ 编码为向量 ──▶ 向量数据库检索 │
│ │ │
│ ▼ │
│ 找到最相关的文档 │
│ │ │
│ ▼ │
│ 把文档和问题一起发送给 LLM │
│ │ │
│ ▼ │
│ 生成答案 │
│ │
└─────────────────────────────────────────────────────┘
为什么需要 RAG？
- LLM 的知识有截止日期
- LLM 不知道你私有的数据
- RAG 让 LLM 能"查阅"外部知识
关键组件
| 组件 | 作用 |
|---|---|
| Embedding Model | 把文本变成向量 |
| Vector Database | 存储和检索向量 |
| Retrieval | 找到最相关的文档 |
| Generation | 用检索结果生成答案 |
简化实现
class SimpleRAG:
"""简化版 RAG 系统"""
def __init__(self):
# 文档存储
self.documents = []
# 向量存储（简化版，用关键词）
self.vectors = {}
def add_document(self, text: str, metadata: dict = None):
"""添加文档"""
self.documents.append({
"text": text,
"metadata": metadata or {}
})
def retrieve(self, query: str, top_k: int = 3) -> list:
"""检索相关文档"""
# 简化版：基于关键词匹配
results = []
for doc in self.documents:
# 计算简单相关性分数
score = sum(1 for word in query if word in doc["text"].lower())
if score > 0:
results.append((score, doc))
# 排序并返回 top_k
results.sort(key=lambda x: x[0], reverse=True)
return [doc for _, doc in results[:top_k]]
def generate(self, query: str, llm) -> str:
"""RAG 生成"""
docs = self.retrieve(query)
context = "\n".join([d["text"] for d in docs])
prompt = f"""
根据以下上下文回答问题：
上下文：
{context}
问题：{query}
答案：
"""
return llm.invoke(prompt)
Step 06: Self-Correction - 自我修正
核心概念
Self-Correction = 让 Agent 能够自我发现并修复错误
┌─────────────────────────────────────────────────────┐
│ Self-Correction 流程 │
├─────────────────────────────────────────────────────┤
│ │
│ 生成结果 ──▶ 验证 ──▶ 有问题？ │
│ │ │
│ ┌────┴────┐ │
│ │ │ │
│ 是 否 │
│ │ │ │
│ ▼ ▼ │
│ 分析错误 返回结果 │
│ │ │
│ ▼ │
│ 生成修复方案 │
│ │ │
│ ▼ │
│ 重新生成 ──▶ 再次验证 │
│ │
└─────────────────────────────────────────────────────┘
实现要点
class SelfCorrectingAgent:
"""自我修正 Agent"""
def __init__(self):
self.max_retries = 3
def try_generate(self, requirement: str) -> str:
"""带自我修正的生成"""
for attempt in range(self.max_retries):
# 1. 生成
result = self.generate(requirement)
# 2. 验证
validation = self.validate(result)
# 3. 检查是否通过
if validation["passed"]:
return result
# 4. 分析错误
error = validation["error"]
print(f"尝试 {attempt + 1} 失败: {error}")
# 5. 准备修复
requirement = self.prepare_fix(requirement, error, result)
return f"经过 {self.max_retries} 次尝试仍失败"
Step 07: Multi-Agent - 多 Agent 协作
核心概念
Multi-Agent = 多个专门的 Agent 协同工作
┌─────────────────────────────────────────────────────┐
│ Multi-Agent 架构 │
├─────────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ │
│ │ Orchestrator │ │
│ │ (协调者) │ │
│ └──────┬───────┘ │
│ │ │
│ ┌───────────────────┼───────────────────┐ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Generator│ │ Validator│ │ Searcher │ │
│ │ (生成者) │ │ (验证者) │ │ (搜索者) │ │
│ └──────────┘ └──────────┘ └──────────┘ │
│ │
└─────────────────────────────────────────────────────┘
协作模式
| 模式 | 说明 | 适用场景 |
|---|---|---|
| 串行 | A → B → C 依次执行 | 步骤有依赖 |
| 并行 | A / B / C 同时执行 | 步骤独立 |
| 循环 | A → B → A → B 循环 | 需要反复验证 |
简化实现
class MultiAgentSystem:
"""多 Agent 协作系统"""
def __init__(self):
# 注册各个 Agent
self.agents: dict[str, Agent] = {}
def register(self, agent: Agent) -> None:
self.agents[agent.name] = agent
def process(self, requirement: str):
# 1. 搜索相关知识
searcher = self.agents.get("searcher")
context = searcher.process(requirement) if searcher else ""
# 2. 生成（可能需要多轮）
generator = self.agents.get("generator")
draft = generator.process({"requirement": requirement, "context": context}) if generator else requirement
# 3. 验证
validator = self.agents.get("validator")
if validator:
validation = validator.process(draft)
if not validation.get("passed", True):
return {"error": "验证失败", "validation": validation}
return draft