摘要#

随着大语言模型能力的快速提升，如何将其与外部知识库、工具调用以及复杂任务规划能力结合，已经成为构建智能应用的核心方向。本章围绕 RAG（Retrieval-Augmented Generation）与 Agent 两大关键技术展开，从基础实现到工程化框架逐步深入，帮助读者建立“检索增强 + 工具调用 + 多步推理”的完整系统设计思维。

本章首先从最基础的两步式 RAG 系统入手，讲解如何将大模型与向量数据库进行结合，通过“检索 + 生成”的方式提升模型在特定知识领域中的回答能力。读者将学习如何实例化大模型与向量库、构建语义检索与提示词模板，并最终完成一个完整的问答流程。在此基础上，本章进一步引入 Function Calling 机制，解释大模型如何突破纯文本生成限制，主动调用外部工具完成结构化任务，从而显著降低幻觉问题并提升系统可靠性。

在工具化能力扩展部分，本章介绍 LangChain 中的 Tool 修饰器机制，说明如何通过统一的 Schema 定义实现工具自动化封装与调用编排，使模型能够以标准化方式访问外部能力。同时，本章进一步上升到 RAG Agent 的系统级设计，讲解如何将检索模块与决策模块结合，使模型能够根据问题动态选择是否检索、如何检索以及如何生成最终答案，从而形成更智能的推理闭环。

在复杂任务处理方面，本章重点引入 ReAct 框架，系统分析其“推理—行动交替”的核心思想，并说明其在多步决策与工具调用中的优势。同时，通过对双塔与单塔结构的对比分析，引出重排序（Reranking）与两阶段检索策略，进一步提升检索质量与生成效果，并结合 Qwen3 Reranking 模型展示工业级检索优化方案。

最后，本章结合 LangGraph 框架，从图结构视角重新审视 RAG Agent 的构建方式，通过共享状态、节点与边的抽象，实现更加灵活、可扩展的智能体流程编排，并最终构建一个具备检索增强、质量评估与动态决策能力的完整 RAG Agent 系统。通过本章学习，读者将从“单点RAG实现”迈向“可编排智能体系统设计”，掌握现代大模型应用的核心工程范式。