Agentic-RAG-R1

用强化学习训练AI自主检索推理，解决复杂问题更准

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 56 🐛 待处理 8 👀 关注 3

GitHub ↗

GitHub 星标 ★ 451

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源框架，Apache-2.0 许可证，完全免费，可自行部署使用。

项目预览

Agentic-RAG-R1 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jiangxinke

GitHubhttps://github.com/jiangxinke/Harness-RL

定价模式🏷️完全免费

价格说明开源框架，Apache-2.0 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

主要语言Python

技术栈/模型agentic,grpo,harness,rl

GitHub 星标★ 451

上线时间2025-03-17 00:00:00

代码更新2026-10-29

仓库体积106.0 MB

本站数据更新2026-11-09

维护状态较活跃

收录时间2026-08-09

浏览次数4

项目介绍

Agentic-RAG-R1 是一个基于强化学习的智能体检索增强生成（Agentic RAG）框架，旨在解决传统 RAG 系统在复杂多跳推理任务中检索策略僵化、无法自主规划的问题。它通过强化学习训练智能体，使其能够根据问题动态决定检索时机、选择检索工具（如网页搜索、知识库查询）并整合多源信息，从而提升回答的准确性和推理能力。核心能力包括：将检索与推理过程联合优化，支持工具调用与反思机制，以及提供可扩展的接口适配多种语言模型。项目处于早期阶段，代码结构清晰，适合研究者和开发者探索下一代 RAG 范式。

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 ★ 451

技术标签

agentic grpo harness rl

使用教程

难度：高级约 70 分钟部署方式：本地GPU 5 步

环境要求

多卡 NVIDIA GPU
Python 3.10+
较大磁盘空间

安装与启动步骤

1拉指定分支

论文配套代码在单独分支上，主分支不是这份实现。
```
git clone --branch Harness-RL https://github.com/jiangxinke/Harness-RL.git
```
2先做环境体检

它有 doctor 目标，会检查依赖与硬件是否满足。
```
make doctor
```
3装环境与数据

两条 make 分别负责依赖与数据准备，中间不要跳。
```
make setup && make prepare-data
```
4起检索服务

RAG 训练依赖外部检索服务，单独起一个。
```
make search-start
```
5跑一次训练

先小步数验证能收敛，再放开长度。
```
python train_stackplanner.py --help
```