agentic-rag-for-dummies

用LangGraph快速搭建会思考的RAG智能体

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 578 👀 关注 26

GitHub ↗

GitHub 星标 ★ 4370

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，可自行部署使用。

项目预览

agentic-rag-for-dummies 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类搜索知识

开发团队GiovanniPasq

GitHubhttps://github.com/GiovanniPasq/agentic-rag-for-dummies

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Jupyter Notebook

技术栈/模型agent,agentic-ai,agentic-rag,agents,ai-agents,bm25,generative-ai,gradio,langchain,langgraph,llm,ollama,qdrant,rag,rag-agents,rag-chatbot,rag-pipeline,retrieval-augmented-generation,retrieval-augmented-generation-rag

GitHub 星标★ 4370

上线时间2025-10-13 00:00:00

代码更新2026-10-17

仓库体积24.6 MB

本站数据更新2026-11-10

维护状态较活跃

收录时间2026-08-09

浏览次数8

项目介绍

这是一个用 LangGraph 构建的模块化 Agentic RAG 教程项目，旨在帮助开发者快速掌握检索增强生成（RAG）智能体的核心概念与实现。它解决了传统 RAG 系统在复杂查询、多步推理和工具调用上的不足，通过将检索、推理、工具使用等环节编排为可交互的智能体流程，提升了问答系统的准确性和灵活性。项目以 Jupyter Notebook 形式提供，包含从基础到高级的多个示例，覆盖了查询改写、混合检索、重排序、多文档问答等关键场景。其核心能力在于清晰展示了如何利用 LangGraph 的状态图机制构建可扩展的 RAG 智能体，并提供了实用的代码模板和最佳实践，适合希望快速上手 Agentic RAG 的开发者。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 4370

技术标签

agent agentic-ai agentic-rag agents ai-agents

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门约 15 分钟部署方式：本地安装 6 步

环境要求

已安装 Ollama（默认 LLM 提供方，见 https://ollama.com）
Python 环境，可选创建并激活虚拟环境
可运行 Jupyter Notebook 或 VSCode，或使用 Google Colab
准备 PDF 文档并放入 docs/ 目录

安装与启动步骤

1安装 Ollama 并拉模型

先从 https://ollama.com 安装 Ollama，再拉取默认聊天模型 granite4.1:8b，用于后续的工具调用与问答。
```
ollama pull granite4.1:8b
```
2准备 PDF 文档

在项目根目录建立 docs/ 目录并把待检索的 PDF 放进去，README 提供了 javascript、blockchain、fortinet 三个示例 PDF 链接。
3用 Colab 快速开始

直接打开 README 中的 Colab 笔记本链接，笔记本会自动克隆仓库并安装依赖；注意托管版 Colab 没有 Ollama，需先替换默认 Ollama 模型单元格。
4本地安装依赖

在本地 Jupyter/VSCode 中可选先创建并激活虚拟环境，再安装依赖，也可改用 uv pip install -r requirements.txt。
```
pip install -r requirements.txt
```
5顺序运行全部单元格

把 PDF 放入 docs/ 后，从第一格开始自上而下运行全部单元格，不要跳格，最后会弹出聊天界面。
6运行应用

除笔记本外还可直接运行应用入口脚本，启动后同样会呈现聊天界面。
```
python project/app.py
```

关键配置

配置项	必填	说明	示例
`DOCS_DIR`	是	存放原始 PDF 文件的目录	`docs`
`MARKDOWN_DIR`	是	存放 PDF 转换后 markdown 的目录	`markdown_docs`
`PARENT_STORE_PATH`	是	存放父级分块 JSON 文件的目录	`parent_store`
`CHILD_COLLECTION`	是	Qdrant 中子分块集合名称	`document_child_chunks`
`DEFAULT_RETRIEVAL_K`	否	默认检索返回的分块数量	`7`
`model`	否	Ollama 聊天模型，建议 8B 以上以支持工具调用	`granite4.1:8b`

如何确认成功

笔记本或 python project/app.py 跑完后出现聊天界面，即可输入问题验证检索与回答是否正常。

常见问题

Q：在 Google Colab 上能直接用 Ollama 吗？

A：不能。标准托管版 Colab 不提供 Ollama，需把默认的 Ollama 模型单元格替换成 README 文档中的云厂商示例，再运行剩余单元格。

Q：模型不按检索结果回答或胡乱调用工具怎么办？

A：为保证工具调用和指令遵循的可靠性，建议使用 8B 参数以上的模型；较小模型可能忽略检索指令或产生幻觉。

Q：可以用其他大模型厂商吗？

A：可以。系统与提供方无关，默认用 Ollama，按 LangChain 支持的任意聊天模型初始化方式改写即可。

Q：Docker 怎么部署？

A：README 未给出具体命令，完整 Docker 指令和系统要求见 project/README.md 中的 Docker Deployment 章节。

Q：依赖安装失败怎么办？

A：README 同时给出 uv 方案，可尝试 uv pip install -r requirements.txt，并确认虚拟环境已激活。

注意事项

模型名称更新频繁，部署前请查阅官方文档确认最新可用模型标识。
Docker 部署的完整说明在 project/README.md，不在根目录 README 中。
README 的运行应用示例只给出 python project/app.py，端口等信息未说明，请以实际运行输出为准。

核心亮点

模块化设计，每个RAG环节（检索、重排、生成）可独立替换和扩展
基于LangGraph状态图，清晰展示Agent决策流程，易于调试
包含多个真实场景示例（如多文档问答、工具调用），上手快

不足之处

教程偏重LangGraph框架，对非该生态用户有一定学习成本
文档/社区待观察

适用场景

学习Agentic RAG架构与实现
快速构建企业知识库问答原型
作为LangGraph开发参考模板

替代项目

LangChain、LlamaIndex、Haystack

上一篇：GenerativeAIExamples

下一篇：Awesome-Context-Engineering