Retrieval（检索）

此示例实现了一个 Agentic RAG 系统，帮助用户查询 LangGraph 文档。Agent 首先加载 llms.txt，其中列出可用的文档 URL，然后可以动态使用 fetch_documentation 工具根据用户问题检索和处理相关内容。

:::python

import requests
from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain.tools import tool
from markdownify import markdownify


ALLOWED_DOMAINS = ["https://langchain-ai.github.io/"]
LLMS_TXT = 'https://langchain-ai.github.io/langgraph/llms.txt'


@tool
def fetch_documentation(url: str) -> str:  # [!code highlight]
    """从 URL 获取并转换文档"""
    if not any(url.startswith(domain) for domain in ALLOWED_DOMAINS):
        return (
            "错误：URL 不允许。"
            f"必须以下列之一开头：{', '.join(ALLOWED_DOMAINS)}"
        )
    response = requests.get(url, timeout=10.0)
    response.raise_for_status()
    return markdownify(response.text)


# 我们将获取 llms.txt 的内容，所以这可以
# 提前完成，无需 LLM 请求。
llms_txt_content = requests.get(LLMS_TXT).text

# Agent 的系统提示
system_prompt = f"""
你是一名专家 Python 开发人员和技术助手。
你的主要角色是帮助用户解答有关 LangGraph 和相关工具的问题。

说明：

1. 如果用户问了一个你不确定的问题——或者一个可能涉及 API 使用、
   行为或配置的问题——你**必须**使用 `fetch_documentation` 工具查阅相关文档。
2. 引用文档时，清晰总结并包含内容中的相关上下文。
3. 不要使用允许域之外的任何 URL。
4. 如果文档获取失败，告诉用户并继续提供你最好的专家理解。

你可以从以下批准的来源访问官方文档：

{llms_txt_content}

在回答用户关于 LangGraph 的问题之前，
你**必须**查阅文档以获取最新的文档。

你的答案应该清晰、简洁且在技术上准确。
"""

tools = [fetch_documentation]

model = init_chat_model("claude-sonnet-4-0", max_tokens=32_000)

agent = create_agent(
    model=model,
    tools=tools,  # [!code highlight]
    system_prompt=system_prompt,  # [!code highlight]
    name="Agentic RAG",
)

response = agent.invoke({
    'messages': [
        HumanMessage(content=(
            "使用预建的 create react agent 编写一个 langgraph agent 的简短示例。"
            "agent 应该能够查找股票价格信息。"
        ))
    ]
})

print(response['messages'][-1].content)

:::

:::js

import { tool, createAgent, HumanMessage } from "langchain";
import * as z from "zod";

const ALLOWED_DOMAINS = ["https://langchain-ai.github.io/"];
const LLMS_TXT = "https://langchain-ai.github.io/langgraph/llms.txt";

const fetchDocumentation = tool(
  async (input) => {  # [!code highlight]
    if (!ALLOWED_DOMAINS.some((domain) => input.url.startsWith(domain))) {
      return `错误：URL 不允许。必须以下列之一开头：${ALLOWED_DOMAINS.join(", ")}`;
    }
    const response = await fetch(input.url);
    if (!response.ok) {
      throw new Error(`HTTP 错误！状态：${response.status}`);
    }
    return response.text();
  },
  {
    name: "fetch_documentation",
    description: "从 URL 获取并转换文档",
    schema: z.object({
      url: z.string().describe("要获取的文档 URL"),
    }),
  }
);

const llmsTxtResponse = await fetch(LLMS_TXT);
const llmsTxtContent = await llmsTxtResponse.text();

const systemPrompt = `
你是一名专家 TypeScript 开发人员和技术助手。
你的主要角色是帮助用户解答有关 LangGraph 和相关工具的问题。

说明：

1. 如果用户问了一个你不确定的问题——或者一个可能涉及 API 使用、
   行为或配置的问题——你**必须**使用 \`fetch_documentation\` 工具查阅相关文档。
2. 引用文档时，清晰总结并包含内容中的相关上下文。
3. 不要使用允许域之外的任何 URL。
4. 如果文档获取失败，告诉用户并继续提供你最好的专家理解。

你可以从以下批准的来源访问官方文档：

${llmsTxtContent}

在回答用户关于 LangGraph 的问题之前，
你**必须**查阅文档以获取最新的文档。

你的答案应该清晰、简洁且在技术上准确。
`;

const tools = [fetchDocumentation];

const agent = createAgent({
  model: "claude-sonnet-4-0"
  tools,  # [!code highlight]
  systemPrompt,  # [!code highlight]
  name: "Agentic RAG",
});

const response = await agent.invoke({
  messages: [
    new HumanMessage(
      "使用预建的 create react agent 编写一个 langgraph agent 的简短示例。" +
      "agent 应该能够查找股票价格信息。"
    ),
  ],
});

console.log(response.messages.at(-1)?.content);

:::

<Card title=“教程：检索增强生成（RAG）” icon=“robot” href=“/oss/langchain/rag” arrow cta=“了解更多”

了解如何使用检索增强生成构建一个可以基于你的数据回答问题的问答聊天机器人。

本教程介绍两种方法：
* 一个 **RAG Agent**，使用灵活的工具运行搜索——非常适合通用用途。
* 一个 **2-Step RAG** Chain，每个查询只需要一次 LLM 调用——对于简单任务快速高效。

Hybrid RAG（混合 RAG）

Hybrid RAG 结合了 2-Step 和 Agentic RAG 的特点。它引入了中间步骤，如查询预处理、检索验证和生成后检查。这些系统比固定管道提供更大的灵活性，同时保持对执行的一些控制。

典型组件包括：

• 查询增强：修改输入问题以提高检索质量。这可能涉及重写不清晰的查询、生成多个变体或使用额外上下文扩展查询。
• 检索验证：评估检索到的文档是否相关且充分。如果不是，系统可以优化查询并再次检索。
• 答案验证：检查生成的答案的准确性、完整性和与源内容的一致性。如果需要，系统可以重新生成或修改答案。

该架构通常支持这些步骤之间的多次迭代：

graph LR
    A[用户问题] --> B[查询增强]
    B --> C[检索文档]
    C --> D{信息充分？}
    D -- 否 --> E[优化查询]
    E --> C
    D -- 是 --> F[生成答案]
    F --> G{答案质量 OK？}
    G -- 否 --> H{尝试不同方法？}
    H -- 是 --> E
    H -- 否 --> I[返回最佳答案]
    G -- 是 --> I
    I --> J[返回给用户]

    classDef startend fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
    classDef decision fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px,color:#78350F
    classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:1.5px,color:#1E3A8A

    class A,J startend
    class B,C,E,F,I process
    class D,G,H decision

此架构适用于：

• 具有模糊或未充分指定查询的应用
• 需要验证或质量控制步骤的系统
• 涉及多个源或迭代优化的工作流

<Card title=“教程：具有自校正的 Agentic RAG” icon=“robot” href=“/oss/langgraph/agentic-rag” arrow cta=“了解更多”

一个 **Hybrid RAG** 示例，结合了 Agent 推理与检索和自校正。