Agentic-RAG

发表于 | 更新于 | 分类于 | 阅读 次
检索参数依赖上一跳观察。步数、预算、超时是控制面；不是默认架构。

一次检索看不到中间计算（超不超上限、有没有特批）所需的下一步证据。根因是静态 top-k 无法依赖中间状态。本方法按计划–执行–观察循环调用检索与工具。必须卡步数、预算、超时；它不是默认架构。

本文属于 RAG 工程框架中的「4 生成与智能体编排」环节，聚焦「Agentic RAG」方法。

定位

维度 内容
角色 带状态的工具循环
输入 → 输出 task → 多步观察 → 最终答案（或超时失败）
默认组合 LangGraph（可控）；LlamaIndex Agent
何时不用 单跳问答；默认生产路径

核心机制

循环：$\mathrm{action}t=\mathrm{Plan}(\mathrm{state}{t-1})$，直到 done 或 $t>T$ 或 token $>B$。

实现路径与心智：planner 根据当前 state 选工具（检索/计算），观察写回 state，直到完成或打到步数/token/超时上限。底层心智：检索参数依赖上一跳观察，不是固定 top-k。三重约束是控制面，缺一就会震荡或越权。

优缺点

  • 优点：多步比对、计算类任务鲁棒。
  • 缺点：成本与不确定性高。

契约与走通样例

输入

1
{"task": "Is 30 nM GAPDH siRNA for 24 h matching the protocol?", "max_steps": 6}

中间量

步1 retrieve → 20 nM / 48 h；步2 calc 30>20；步3 再检索 exception → 无。步4 结论不合规。token 2400 < 6000。

输出

1
{"answer": "No. Protocol is 20 nM for 48 h.", "citations": [{"doc_id": "P-GAPDH-01-C1"}], "steps": 4}

社区实现

LangGraph。风险：工具权限过大误写；检索到旧版论文。

工程落地

最小可运行示例

复制为 .py 后直接运行（仅标准库）。生产循环用 LangGraph StateGraph；工具必须只读 allowlist。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
"""计划-执行-观察；步数与 token 预算是硬停止条件。"""
from __future__ import annotations

from dataclasses import dataclass, field


@dataclass
class AgentState:
    """循环状态。生产对应 LangGraph 的 TypedDict state。"""

    task: str
    observations: list[str] = field(default_factory=list)
    tokens: int = 0
    done: bool = False
    answer: str = ""


class ProtocolTools:
    """只读工具。生产对应 retriever + 计算器节点，禁止写接口。"""

    protocol = "20 nM GAPDH siRNA for 48 h"

    def retrieve(self, query: str) -> str:
        del query
        return self.protocol

    def compare(self, candidate: str, observed: str) -> str:
        return "mismatch" if candidate not in observed else "match"


def planner_next(state: AgentState) -> str:
    """根据已有观察选下一步。生产对应 LLM planner。"""
    if not state.observations:
        return "retrieve"
    if "mismatch" not in state.observations[-1] and "match" not in state.observations[-1]:
        return "compare"
    return "finalize"


def agentic_loop(task: str, candidate: str, max_steps: int, token_budget: int) -> AgentState:
    """输入任务与待核验条件；输出带 citations 观察的最终 state。"""
    tools = ProtocolTools()
    state = AgentState(task=task)
    for _ in range(max_steps):
        if state.tokens >= token_budget:
            break
        action = planner_next(state)
        if action == "retrieve":
            obs = tools.retrieve(task)
        elif action == "compare":
            obs = tools.compare(candidate, state.observations[0])
        else:
            state.answer = "No. Protocol is 20 nM for 48 h."
            state.done = True
            break
        state.observations.append(obs)
        state.tokens += max(1, len(obs) // 4)
    return state


if __name__ == "__main__":
    st = agentic_loop(
        "Is 30 nM GAPDH siRNA for 24 h matching the protocol?",
        candidate="30 nM",
        max_steps=6,
        token_budget=6000,
    )
    print(st.done, st.answer, st.observations)

参数

参数 起点 影响
max_steps 6 防震荡
per_step_timeout_ms 2500 防单工具挂死
tool_allowlist 只读检索+计算 禁止写接口

失效—信号—螺丝

  • 旧版证据：后续全错。螺丝：state 写入 doc_id+version。
  • 步数耗尽：螺丝：降分支、加超时。
  • 工具过权：螺丝：allowlist。

规模（100 篇生物学 PDF）

单次复杂任务 30 s–数 min；批评测可达数 GPU·h。GPU 16–48 GB 或 API 累加。

-------------本文结束感谢您的阅读-------------