DeepAgents : 检索（Retrieval）

大语言模型（LLM）虽能力卓越，却受两大固有制约：

• 上下文窗口有限——无法一次性处理大规模语料；
• 知识时效性固化——训练数据截止后即不再更新。

为突破这些限制，检索机制让模型能在推理时动态获取外部知识，而检索增强生成（RAG）则进一步将检索与生成结合，产出有据可依的答案。

1. 知识库构建

知识库是检索系统的数据底座，可由文档、结构化数据等构成。LangChain 提供丰富的文档加载器和向量存储，基于私有数据快速搭建知识库。已有数据库、CRM 或内部文档系统的，则无需重复建设，可直接将其作为工具接入，实现：

• 智能体式 RAG（Agentic RAG）：让 Agent 自主决定检索时机与方式；
• 两步 RAG（2‑Step RAG）：固定先检索后生成，流程清晰可预测。

检索流水线

一个标准的检索流程通常包含以下模块化步骤（各组件均可灵活替换）：

各构建模块（加载器、分割器、嵌入模型、向量库等）均解耦设计，便于按需组合。

2. RAG 架构选型

根据业务对控制力、灵活性和延迟的要求，可选择不同架构：

3. 两步 RAG（2‑Step RAG）

该模式简单直接：每次回答前必须执行检索，将检索结果作为生成上下文。它适用于大多数对流程稳定性要求高的场景。

4. 智能体式 RAG（Agentic RAG）

此模式让 LLM 驱动的 Agent 在推理过程中自主判断是否检索、检索什么以及如何使用检索结果。只需为 Agent 配备一个或多个检索工具（如文档加载器、网页抓取、SQL 查询等），即可赋予其动态获取外部知识的能力。

代码示例（基础工具定义）：

importrequestsfromlangchain.toolsimporttoolfromlangchain.chat_modelsimportinit_chat_modelfromlangchain.agentsimportcreate_agent@tooldeffetch_url(url:str)->str:"""获取指定 URL 的文本内容"""response=requests.get(url,timeout=10.0)response.raise_for_status()returnresponse.text system_prompt="""当你需要从网页获取信息时，使用 fetch_url 工具，并引用相关片段。"""agent=create_agent(model="claude-sonnet-4-6",tools=[fetch_url],system_prompt=system_prompt,)

实战：面向 LangGraph 文档的智能体问答
以下 Agent 会先读取llms.txt（内含文档索引），再根据用户问题动态调用fetch_documentation获取并解析相关页面：

importrequestsfromlangchain.agentsimportcreate_agentfromlangchain.messagesimportHumanMessagefromlangchain.toolsimporttoolfrommarkdownifyimportmarkdownify ALLOWED_DOMAINS=["https://langchain-ai.github.io/"]LLMS_TXT='https://langchain-ai.github.io/langgraph/llms.txt'@tooldeffetch_documentation(url:str)->str:"""从指定 URL 抓取文档并转为 Markdown"""ifnotany(url.startswith(domain)fordomaininALLOWED_DOMAINS):returnf"错误：URL 不在允许范围内，必须以{', '.join(ALLOWED_DOMAINS)}开头。"response=requests.get(url,timeout=10.0)response.raise_for_status()returnmarkdownify(response.text)# 预先加载文档索引（无需每次经 LLM）llms_txt_content=requests.get(LLMS_TXT).text system_prompt=f""" 你是一位资深的 Python 技术专家，专注于 LangGraph 生态。 工作原则： 1. 凡涉及 API 用法、配置或行为的问题，**必须**使用 `fetch_documentation` 查阅官方文档。 2. 引用文档时需给出总结和关键上下文。 3. 禁止访问非允许域名下的 URL。 4. 若获取失败，请告知用户并基于已有知识尽力作答。 可用文档索引如下：{llms_txt_content}"""tools=[fetch_documentation]model=init_chat_model("claude-sonnet-4-6",max_tokens=32_000)agent=create_agent(model=model,tools=tools,system_prompt=system_prompt,name="AgenticRAG")response=agent.invoke({'messages':[HumanMessage(content="写一个使用预置 create_react_agent 的 Agent，用于查询股票价格。")]})print(response['messages'][-1].content)

5. 混合 RAG（Hybrid RAG）

该架构融合前两种模式，在检索前后增加中间处理步骤，例如：

• 查询增强：改写模糊问题、生成多版本查询或添加上下文；
• 检索验证：判断初次检索是否充分，不足则优化后二次检索；
• 答案验证：校验生成答案的准确性与完整性，不符合则修正或重生成。

它适合查询条件不明确、涉及多源数据或需要严格质量把控的复杂场景。