本文介绍如何使用LangChain和LangGraph构建结合了RAG（检索增强生成）和Agent的智能问答系统。通过整合LLM、RAG技术以及工具调用，系统能够从实时数据和外部文档中检索信息，提高回答的准确性和可靠性，降低“幻觉”现象的发生。文章提供了完整的代码示例，展示了如何初始化LLM、设置向量数据库、加载文档、定义检索工具、构建Agent流程图，并最终实现一个具备实用价值的智能问答系统。

💡RAG技术是提升LLM知识准确性的关键，通过检索外部文档，模型能更准确地回答问题，降低“幻觉”发生率。

🛠️LangGraph 将 LLM、RAG 和工具调用整合为流程图，增强了问答系统的灵活性和动态响应能力。

⚙️系统构建涉及初始化LLM、设置向量数据库、加载网页文档、文本分割与入库等步骤，为RAG Agent提供了数据基础。

🔍通过@tool装饰器定义文档检索工具，Agent能够动态调用检索功能，获取相关信息。

🧩Agent流程图包括LLM调用工具、工具节点和生成响应节点，实现了RAG与Agent的有效结合。

💾Checkpoint机制用于存储流程状态，确保系统在中断后能够恢复，保障了系统的稳定性和可靠性。

随着大语言模型（LLM）能力的不断提升，RAG（Retrieval Augmented Generation，检索增强生成）技术逐渐成为提升模型知识准确性和可靠性的重要手段。通过从实时数据和外部文档中检索相关信息，模型能够更准确地回答基于事实的问题，从而有效降低“幻觉”现象的发生概率。

而 LangChain 中的 LangGraph 模块则能够将 LLM、RAG 以及各种工具调用整合为一个结构清晰的智能 Agent 流程图，大大增强了问答系统的灵活性与动态响应能力。

本文将通过一个完整的示例，演示如何使用 LangChain 构建一个融合“RAG + Agent”的问答系统。所附代码具备良好的可复用性，旨在帮助读者快速实现并部署智能应用。

工程结构

llm_env.py          # 初始化 LLMrag_agent.py        # 结合 RAG 与 Agent 的主逻辑

初始化 LLM

首先通过 llm_env.py 初始化一个 LLM 模型对象，供整个流程使用：

from langchain.chat_models import init_chat_modelllm = init_chat_model("gpt-4o-mini", model_provider="openai")

RAG + Agent 系统搭建

导入依赖

import osimport sysimport timesys.path.append(os.getcwd())from llm_set import llm_envfrom langchain.embeddings import OpenAIEmbeddingsfrom langchain_postgres import PGVectorfrom langchain_community.document_loaders import WebBaseLoaderfrom langchain_core.documents import Documentfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langgraph.graph import MessagesState, StateGraphfrom langchain_core.tools import toolfrom langchain_core.messages import HumanMessage, SystemMessagefrom langgraph.prebuilt import ToolNode, tools_conditionfrom langgraph.graph import ENDfrom langgraph.checkpoint.postgres import PostgresSaver

初始化 LLM 与 Embedding

llm = llm_env.llmembeddings = OpenAIEmbeddings(model="text-embedding-3-large")

初始化向量数据库

vector_store = PGVector(    embeddings=embeddings,    collection_name="my_rag_agent_docs",    connection="postgresql+psycopg2://postgres:123456@localhost:5433/langchainvector",)

加载网页文档

url = "https://www.cnblogs.com/chenyishi/p/18926783"loader = WebBaseLoader(    web_paths=(url,),)docs = loader.load()for doc in docs:    doc.metadata["source"] = url

文本分割 & 入库

text_splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=50)all_splits = text_splitter.split_documents(docs)existing = vector_store.similarity_search(url, k=1, filter={"source": url})if not existing:    _ = vector_store.add_documents(documents=all_splits)    print("文档向量化完成")

定义 RAG 检索工具

通过 @tool 装饰器，定义一个文档检索工具，供 Agent 动态调用：

@tool(response_format="content_and_artifact")def retrieve(query: str) -> tuple[str, dict]:    """Retrieve relevant documents from the vector store."""    retrieved_docs = vector_store.similarity_search(query, k=2)    if not retrieved_docs:        return "No relevant documents found.", {}    return "\n\n".join(        (f"Source: {doc.metadata}\n" f"Content: {doc.page_content}")        for doc in retrieved_docs    ), retrieved_docs

定义 Agent Graph 节点

LLM 调用工具节点

def query_or_respond(state: MessagesState):    llm_with_tools = llm.bind_tools([retrieve])    response = llm_with_tools.invoke(state["messages"])    return {"messages": [response]}

工具节点

tools = ToolNode([retrieve])

生成响应节点

def generate(state: MessagesState):    recent_tool_messages = []    for message in reversed(state["messages"]):        if message.type == "tool":            recent_tool_messages.append(message)        else:            break    tool_messages = recent_tool_messages[::-1]    system_message_content = "\n\n".join(doc.content for doc in tool_messages)    conversation_messages = [        message        for message in state["messages"]        if message.type in ("human", "system")        or (message.type == "ai" and not message.tool_calls)    ]    prompt = [SystemMessage(system_message_content)] + conversation_messages    response = llm.invoke(prompt)    return {"messages": [response]}

组装 Agent 流程图

graph_builder = StateGraph(MessagesState)graph_builder.add_node(query_or_respond)graph_builder.add_node(tools)graph_builder.add_node(generate)graph_builder.set_entry_point("query_or_respond")graph_builder.add_conditional_edges(    "query_or_respond",    tools_condition,    path_map={END: END, "tools": "tools"},)graph_builder.add_edge("tools", "generate")graph_builder.add_edge("generate", END)

启用 Checkpoint & 运行流程

数据库存储器

DB_URI = "postgresql://postgres:123456@localhost:5433/langchaindemo?sslmode=disable"with PostgresSaver.from_conn_string(DB_URI) as checkpointer:    checkpointer.setup()    graph = graph_builder.compile(checkpointer=checkpointer)

启动交互循环

input_thread_id = input("输入thread_id:")time_str = time.strftime("%Y%m%d", time.localtime())config = {"configurable": {"thread_id": f"rag-{time_str}-demo-{input_thread_id}"}}print("输入问题，输入 exit 退出。")while True:    query = input("你: ")    if query.strip().lower() == "exit":        break    response = graph.invoke({"messages": [HumanMessage(content=query)]}, config=config)    print(response)

总结

本文完整展示了如何用 LangChain + LangGraph，结合：

LLM（大模型）
Embedding 检索（RAG）
Agent 动态调用工具
流程图编排
Checkpoint 存储

构建一个智能问答系统，通过将 RAG 检索工具与 Agent 机制相结合，使大语言模型（LLM）能够在需要时自主调用检索功能，从而显著提升其对知识的引用能力和准确性，有效缓解“幻觉”问题。该方案具备良好的实用性和落地价值，适用于多种实际应用场景。