KnowledgeRAG

Appearance

Agent 架构 ​

ReAct Agent 是 KnowledgeRAG 的核心 AI 能力，采用先进的 ReAct（Reasoning + Acting）架构，让 LLM 自主决策是否需要检索知识库。

什么是 ReAct Agent？ ​

ReAct（Reasoning + Acting）是一种结合推理和行动的智能体架构，通过让 LLM 在推理过程中自主决定何时采取行动（如检索知识库），实现更智能、更灵活的问答系统。

ReAct 推理循环 ​

Agent 的工作流程遵循以下推理循环：

Question: 用户输入的任务

Thought: 我需要在知识库中查找相关信息
Action: search_knowledge_base
Action Input: 查询关键词
Observation: 【来源 1：文档名.pdf（相关度：0.82）】检索到的文档片段...

Thought: 我已找到足够信息
Final Answer: 根据知识库内容，...（完整回答）

各阶段说明 ​

  1. Question：用户输入的自然语言任务或问题
  2. Thought：LLM 分析当前情况，思考下一步行动
  3. Action：根据思考结果选择执行的动作
  4. Action Input：动作的具体参数
  5. Observation：动作执行后的观察结果
  6. Final Answer：综合所有信息后的最终回答

与普通 RAG 的对比 ​

维度普通 RAGReAct Agent
检索时机每次必执行检索LLM 自主决定是否检索
检索次数固定 1 次1 到 N 次（受 max_iterations 限制）
适合场景明确文档查询复杂推理、多轮问答、混合对话
响应格式流式文本 + 来源推理步骤日志 + 最终回答
短路优化无简单对话无需检索，直接回答

示例对比 ​

普通 RAG（每次都检索）：

用户：你好
→ 强制检索知识库
→ 基于检索结果回答

ReAct Agent（智能决策）：

用户：你好
→ Thought: 这是简单的问候，不需要检索
→ Final Answer: 你好！有什么我可以帮助你的吗？

用户：KnowledgeRAG 支持哪些功能？
→ Thought: 这个问题需要查询知识库
→ Action: search_knowledge_base
→ Observation: [检索到的功能列表...]
→ Final Answer: KnowledgeRAG 支持以下功能...

前端功能 ​

自然语言任务输入 ​

  • 大文本框输入
  • Ctrl+Enter 快捷提交
  • 支持长文本和复杂任务描述

示例任务卡片 ​

内置 4 个示例任务，点击一键填入：

  1. 知识查询：查询特定主题的详细信息
  2. 问题分析：对复杂问题进行拆解和分析
  3. 内容总结：总结某个主题的核心要点
  4. 对比分析：对比多个概念的异同

执行选项 ​

用户可选择：

  • 使用知识库：选择一个或多个知识库作为信息来源
  • 联网搜索：启用网络搜索获取最新信息（需配置）

步骤可视化 ​

实时展示 Agent 的推理过程：

📝 Thought: 我需要先了解用户问题的核心概念...
🔧 Action: search_knowledge_base
📥 Action Input: {"query": "人工智能发展历程"}
📤 Observation: 找到 3 篇相关文档...
📝 Thought: 已找到足够的历史信息，可以组织答案了...
✅ Final Answer: 人工智能的发展经历了以下几个阶段...

历史任务面板 ​

  • 左侧抽屉：显示所有历史任务
  • 持久化存储：保存到 localStorage
  • 重新执行：点击历史任务可填回输入框重新运行
  • 清空历史：一键清除所有记录

后端实现 ​

核心文件 ​

  • agent/react_agent.py - ReAct Agent 主类
  • RAG_app.py - /agent_query 接口

Agent 架构 ​

python
class ReActRAGAgent:
    def __init__(self, llm, tools, max_iterations=5):
        self.llm = llm  # Ollama LLM
        self.tools = tools  # 工具集（如检索工具）
        self.max_iterations = max_iterations  # 最大迭代次数

    def run(self, question):
        # ReAct 循环
        for i in range(self.max_iterations):
            # 生成 Thought
            thought = self.generate_thought(question, history)

            # 决定 Action
            action, action_input = self.parse_action(thought)

            # 执行 Action
            if action == "search_knowledge_base":
                observation = self.search_knowledge_base(action_input)
            else:
                # 不需要检索，直接生成答案
                return self.generate_final_answer(thought)

            # 记录 Observation
            history.append((thought, action, observation))

        # 达到最大迭代次数，强制生成答案
        return self.generate_final_answer(history)

可用工具 ​

Agent 可调用的工具包括：

  1. search_knowledge_base：在指定知识库中搜索
  2. hybrid_retriever：BM25 + FAISS 混合检索
  3. answer_directly：不检索，直接回答

API 接口 ​

流式接口（推荐） ​

POST /api/RAG/agent_query

使用 SSE（Server-Sent Events）流式返回：

javascript
// 前端接收示例
const eventSource = new EventSource('/api/RAG/agent_query', {
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    query: "你的问题",
    kb_ids: ["知识库 ID"],
    use_hybrid: true
  })
});

eventSource.onmessage = (event) => {
  const data = JSON.parse(event.data);
  // data.type: 'thought' | 'action' | 'observation' | 'final_answer'
  // data.content: 对应类型的内容
};

同步接口 ​

POST /api/RAG/agent_query_sync

一次性返回所有步骤（测试用）：

json
{
  "steps": [
    {
      "type": "thought",
      "content": "我需要查找..."
    },
    {
      "type": "action",
      "content": "search_knowledge_base"
    },
    {
      "type": "observation",
      "content": "检索结果..."
    }
  ],
  "final_answer": "最终回答内容"
}

使用场景 ​

适合使用 Agent 的场景 ​

  1. 复杂问题：需要多步推理的问题
  2. 开放性问题：没有标准答案的探索性问题
  3. 多轮对话：需要理解上下文的连续对话
  4. 模糊查询：用户不确定具体要查什么
  5. 综合分析：需要整合多个知识点的问题

适合使用普通 RAG 的场景 ​

  1. 事实性查询：查找具体的事实或数据
  2. 定义性问题：询问某个概念的定义
  3. 快速检索：只需要查找相关文档
  4. 性能敏感：对响应时间要求极高

最佳实践 ​

提问技巧 ​

  1. 清晰表达：尽量清晰地描述问题
  2. 提供上下文：给出必要的背景信息
  3. 分解问题：复杂问题可以分解为多个小问题
  4. 耐心等待：Agent 需要时间思考和检索

配置建议 ​

  1. max_iterations：通常设置为 3-5 次

    • 太少可能找不到足够信息
    • 太多会增加响应时间

  2. 知识库选择：

    • 选择与问题最相关的知识库
    • 避免选择过多知识库影响性能

  3. 混合检索：

    • 建议启用 use_hybrid=true
    • 同时利用关键词和语义匹配

性能优化 ​

  1. 缓存利用：充分利用向量缓存
  2. 合理 Top-K：设置合适的检索结果数量
  3. 模型选择：根据硬件选择合适的 LLM
  4. 并发控制：避免同时运行多个 Agent 任务

调试技巧 ​

查看推理步骤 ​

在前端界面可以详细看到每一步的：

  • Thought 内容
  • Action 选择和参数
  • Observation 结果
  • 最终答案生成过程

常见问题排查 ​

  1. Agent 不检索：

    • 检查是否选择了知识库
    • 确认文档处于启用状态
    • 验证向量化是否完成

  2. 无限循环：

    • 检查 max_iterations 设置
    • 查看 Thought 是否重复
    • 可能需要调整 Prompt

  3. 回答质量差：

    • 提升文档质量
    • 调整检索参数
    • 考虑更换更强的 LLM

技术细节 ​

Prompt 工程 ​

Agent 的行为由精心设计的 Prompt 控制：

你是一个智能助手，使用 ReAct 框架来回答问题。

你可以使用以下工具：
- search_knowledge_base: 在知识库中搜索信息

请按以下格式回答：
Question: 必须回答的问题
Thought: 你当前的想法
Action: 要执行的动作（如果需要）
Action Input: 动作的参数
Observation: 动作的结果
...（重复上述步骤）
Thought: 我现在可以回答最终问题了
Final Answer: 对原始问题的回答

现在请回答以下问题：
{question}

工具定义 ​

每个工具都有明确的输入输出规范：

python
class Tool:
    name: str
    description: str
    input_schema: dict
    output_schema: dict

    def execute(self, input_data) -> any:
        pass

未来发展方向 ​

  1. 更多工具：集成计算器、代码执行器等
  2. 多 Agent 协作：多个 Agent 协同解决复杂问题
  3. 自我反思：Agent 能够评估和改进自己的答案
  4. 长期记忆：跨会话的记忆和学习能力
  5. 视觉理解：支持图片和图表的理解

本文档站基于 VitePress 构建

萌ICP备 1762389 © 2026 KnowledgeRAG-GZHU