LangGraph构建RAG智能体

简单RAG只做一次检索。RAG智能体自己决定何时搜索、搜什么、何时回答。

💡 你将学到

简单RAG只做一次检索。RAG智能体自己决定何时搜索、搜什么、何时回答。

📜 目录

• 使用 LangGraph 构建 2026 年研究型 RAG Agent：打造会调用工具的研究代理
• RAG 与 RAG Agent 的对比
• 图结构
• 最小化实现
• 什么时候你真正需要 Agent
• 常见问题
• 相关文章

使用 LangGraph 构建 2026 年研究型 RAG Agent：打造会调用工具的研究代理

普通 RAG 只做一次检索，然后直接回答。而 RAG agent（即 agentic RAG）则能动态决策：它可以搜索多个数据源、改写查询，并自行判断何时信息已足够。LangGraph（GitHub 38,600 星，MIT 协议）是 2026 年构建这类有状态 agent 循环的标准框架。

RAG 与 RAG Agent 的对比

图结构

[start] -> retrieve -> grade_documents
             ^            |
             |            v
             |      relevant? --no--> rewrite_query -> retrieve
             |            |
             |           yes
             |            v
             +----- generate -> [end]

关键节点：retrieve（搜索向量存储）、grade（检查结果是否能回答提问）、rewrite（若结果不佳则改进查询）、generate（生成最终答案）。

最小化实现

from langgraph.graph import StateGraph

def retrieve(state):
    docs = vectorstore.search(state["question"])
    return {"docs": docs}

def generate(state):
    answer = llm.invoke(f"Answer using: {state['docs']}")
    return {"answer": answer}

graph = StateGraph(ResearchState)
graph.add_node("retrieve", retrieve)
graph.add_node("generate", generate)
graph.add_edge("retrieve", "generate")
graph.set_entry_point("retrieve")
app = graph.compile()

什么时候你真正需要 Agent

• 查询跨越多个知识领域
• 用户提出模糊问题，需要查询改写
• 你拥有多种工具（向量搜索 + SQL + 网络搜索）
• 你希望系统能说"我不知道"，而不是胡编乱造

常见问题

LangGraph 还是 LangChain？ LangGraph 是 LangChain 团队打造的更新型图结构框架，适合用于构建 agent。而普通的 LangChain 链式结构处理简单的线性 RAG 已经足够。

什么是检索器 + 评分器模式？ 这是最常见的 RAG agent 模式：先检索，再对文档评分，如果分数偏低就改写查询并重试——从而提升难题的解答准确率。

它支持本地模型吗？ 支持——只需将 LLM 换成 Ollama，向量存储换成 Chroma 即可；图逻辑本身与具体模型无关。

相关文章

• 自托管AI Agent技术栈2026：Open WebUI、Dify、LangGraph横评
• LlamaIndex 2026：文档Agent与RAG管道详解
• LangGraph教程：用图状态机制构建生产级多Agent系统

❓ 常见问题

LangGraph 还是 LangChain？

LangGraph 是 LangChain 团队打造的更新型图结构框架，适合用于构建 agent。而普通的 LangChain 链式结构处理简单的线性 RAG 已经足够。

什么是检索器 + 评分器模式？

这是最常见的 RAG agent 模式：先检索，再对文档评分，如果分数偏低就改写查询并重试——从而提升难题的解答准确率。

它支持本地模型吗？

支持——只需将 LLM 换成 Ollama，向量存储换成 Chroma 即可；图逻辑本身与具体模型无关。