如何用LangGraphRAG为？

在本系列的开篇，我们利用create_agent工厂函数编写了一个RAG例子，这是一个将指定博文内容作为上下文的QA应用。现在我们使用LangGraph的编程模式重现实现它，并添加如下两个功能： 查询和上下文相关性评估：在利用查询文本从VectorStore检索出相关内容之后，我们利用LLM评估它们之间是否具有相关性； 重新生成查询：如果没有通过相关性评估，我们会利用LLM重新生成具有更高质量的查询文本，并重启QA流程； 整个流程如下图所示：入口节点“retrieve_context”利用查询文件检索博文内容，并将其作为上下文；如果通过了上述的相关性评估，直接转入“generate_response”节点生成回答，否则转入“regenerate_query”节点重新生成更高质量的查询文本。“regenerate_query”节点完成后再次转向入口节点重启流程。接下来我们分步骤介绍整个应用的实现。 步骤一： 检索上下文 我们首先通过如下的步骤创建作为上下文检索器的Retriever对象：我们利用WebBaseLoader加载博文内容并转换成Document列表，后者被RecursiveCharacterTextSplitter切割之后生成的切片被添加到创建的InMemoryVectorStore中，最后调用InMemoryVectorStore的as_retriever方法得到所需的检索器。 loader = WebBaseLoader( web_paths=("https://www.cnblogs.com/artech/p/inside-asp-net-core-framework.html",), bs_kwargs={"parse_only": SoupStrainer(class_=("postBody"))}, ) documents = loader.load() splitter = RecursiveCharacterTextSplitter( chunk_size=1000, chunk_overlap=200, add_start_index=True, ) retriever = ( InMemoryVectorStore.from_documents( documents=splitter.split_documents(documents), embedding=OpenAIEmbeddings(model="text-embedding-3-small"), ).as_retriever() ) 我们定义了如下的State作为整个执行流程的状态Schema类型。为了让大家了解整个流程的执行情况，我们会将每个步骤的执行信息以日志的形式写入log变量表示的列表。 log =[] class State(TypedDict): query: str context: str result:str generate_times: Annotated[int,operator.add] State类型具有如下四个成员： query：查询文本，可以是用户输入的原始查询文本，也可以是在相关性评估失败后重新生成的查询； context： 根据查询文本检索得到的作为上下文的文本； result：最终的回答； generate_times：如果评估一直失败，“检索-评估-查询"循环将会一直持续下去，generate_times对查询再生成进行计数； 如下所示的retrieve_context为“上下文检索”节点函数，只需要直接调用Retriever对象，将格式化后的检索内容用于更新状态的context成员。在方法返回之前，我们将检索信息写入日志。