10｜Agentic RAG：让 Agent 自己决定何时检索
用宴会来宾案例比较固定 RAG 与 Agentic RAG。
用宴会来宾案例比较固定 RAG 与 Agentic RAG。
RAG 像开卷考试：允许查书不保证答对，还需要找到正确页、看上下文并标注出处。
本课交付物
用十段产品文档建立微型检索，比较不同切分策略并测试资料库没有答案的情况。
核心讲解
在本单元中，我们将通过代理增强检索生成（Agentic RAG）技术，帮助负责主持晚会的友好智能体 小安 创建用于解答宾客问题的工具。
提示：
这是代理增强 RAG 的「真实世界」应用案例，您可直接应用于个人项目或工作场景。若想获得更多实践收获，何不尝试将其应用于您的实际场景并在 Discord 社区分享？
您可以选择课程中讨论的任何框架来实现本用例。我们已在独立标签页中为每个框架提供代码示例。
值得铭记的盛会
现在让我们进入实战环节，为这场盛会搭建舞台！
您决定举办本世纪最奢华、最盛大的派对——这意味着将包含：豪华宴席、魅惑舞者、知名 DJ、精致饮品、震撼烟花表演等极致元素。
您的好邻居智能体 小安 正着手统筹派对的各项需求，小安 将全权管理所有事务。为此，他需要掌握包括菜单、宾客名单、日程安排、天气预报等在内的完整派对信息！
除此之外，他还需确保派对圆满成功，因此必须具备在派对期间实时解答各类问题的能力，同时处理可能出现的突发状况。
小安 无法孤军奋战，我们需要确保他能够获取所需的所有信息和工具。
首先，让我们为晚会制定核心需求清单。
晚会核心需求
在文艺复兴时期，真正受过良好教育的人需具备三大核心素养：
需精通体育、文化与科学知识。因此，我们必须通过知识储备给宾客留下深刻印象，呈现真正难忘的盛会。
但为避免冲突，政治与宗教等敏感话题应在晚会中回避，确保派对氛围轻松愉快，不涉及信仰与理念分歧。
根据礼仪规范，优秀的主办方应充分了解宾客背景，包括其兴趣爱好与事业成就。同时应善于通过宾客间的故事分享促进交流。
最后，我们还需掌握基础天气知识，以便实时获取更新信息，精准把握烟花表演时机，为晚会画上完美句号！🎆
由此可见，小安 需要大量信息支持才能办好晚会。
幸运的是，我们可以通过检索增强生成（RAG）训练为 小安 做好准备！
现在让我们开始创建 小安 主持晚会所需的工具集！
核心讲解
在本单元中，我们将探讨如何利用智能体增强检索生成（Agentic RAG）帮助 小安 筹备精彩的晚会。
提示：
提示：我们已在先前单元讨论过检索增强生成（RAG）和智能体增强 RAG，如果您已熟悉这些概念可跳过本节。
大语言模型（LLMs）通过海量数据训练获得通用知识。
但其世界知识模型可能包含过时或不相关信息。
RAG 通过从您的数据中检索相关信息并传递给大语言模型，有效解决了这个问题。
思考 小安 的工作流程：
- 我们要求 小安 协助策划晚会
- 小安 需要获取最新新闻和天气信息
- 小安 需要整理和检索宾客信息
正如 小安 需要搜索家庭信息才能提供有效帮助，任何智能体都需要理解和检索相关数据的能力。
智能体增强 RAG 是帮助智能体解答数据问题的强大工具，我们可以为 小安 提供多种工具来辅助问题解答。
与传统文档自动问答不同，小安 可以自主决定使用任何工具或流程来回答问题。
现在让我们开始构建智能体增强 RAG 工作流！
首先创建用于检索最新受邀者详情的 RAG 工具，接着开发网络搜索、天气更新和 模型服务平台 Hub 模型下载统计等工具，最终整合所有组件实现我们的智能体增强 RAG 智能体！
本站实战工作台
开卷考试仍可能答错
RAG 由采集、切分、索引、检索、重排、生成和引用组成。向量相似只说明文本可能相关，不说明它正确、最新或足以回答。系统必须能在证据不足时拒答。
十段产品文档实验
准备版本、价格、退款、权限等十段短文，每段带 docId、section、updatedAt。比较固定 300 字切分与按标题语义切分。前者可能把条件与例外拆开，后者可能产生过长段落。
检索 top-5 后用关键词或小模型重排，最终给生成器 top-3。要求每个答案句子关联 chunkId；若最高相关分低于阈值或来源冲突，返回“资料不足”并列出需要补充的文档。
type Chunk = { id:string; text:string; source:string; updatedAt:string }
type Hit = Chunk & { vectorScore:number; rerankScore:number }
type Answer = { text:string; citations:string[]; abstained:boolean }
测五类问题
直接事实、跨两段组合、带否定条件、资料库不存在、旧版与新版冲突。指标分开算 retrieval recall 与 answer faithfulness：没检索到正确段是检索问题，检索到了却编错是生成问题。
引用不是装饰
点击引用应打开具体段落，不是网站首页。引用内容必须真正支持相邻结论。生成后做 entailment 或规则检查，并在 UI 清楚区分来源文本与模型推断。
更新与删除
文档更新要重新索引并淘汰旧 chunk；用户删除资料后，向量库、缓存和派生摘要都要删除。记录索引版本，让一次运行可复现。
通过标准包括：无答案问题稳定拒答、冲突会提示、引用定位正确、两种切分的指标有比较。RAG 的目标不是让模型总能回答，而是让回答受证据约束。