Hans

RAG 进阶变体与 LangGraph

6 min

来源：技术讨论整理

一、RAG 进阶变体

基础 RAG（检索增强生成）的流程是 检索 → 生成 → 输出，但存在检索不准、回答质量差等问题。以下是常见的改进方案。

1. Agentic RAG

用 Agent（智能体）驱动整个 RAG 流程。Agent 自主决定：

  • 该不该检索
  • 检索什么
  • 用哪个工具（搜索引擎、数据库、API）
  • 检索结果够不够，要不要再搜

核心思想： 把 RAG 当成 Agent 的一个工具，而非固定流水线。

2. Self-Reflective RAG

LLM 生成回答后自我反思，用特殊 token（如 [Yes]/[No]）评估：

  • 这段检索结果相关吗？
  • 我的回答有依据吗？
  • 需要重新检索吗？

核心思想： 让模型自己当自己的审核员，多轮迭代直到满意。

3. Corrective RAG (CRAG)

加一个轻量级评估器，在检索后先判断文档质量：

检索结果 → 评估器打分 →
  ✅ 直接用
  ❌ 放弃，改用网络搜索等备用方案
  ⚠️ 混合使用（精炼后保留有用的）

核心思想： 检索完别急着用，先”纠个错”。

4. Adaptive RAG

根据查询复杂度动态选择策略：

  • 简单问题 → 直接 LLM 回答（不检索）
  • 中等问题 → 单次检索
  • 复杂问题 → 多步检索 + 推理

核心思想： 不是所有问题都需要检索，按需选择路径。

5. Iterative Retrieval

多轮迭代检索：

  1. 第一轮检索 → 生成部分答案
  2. 根据已有答案，发现新问题
  3. 再次检索 → 补充信息
  4. 重复直到信息充分

核心思想： 一次检索不够，多查几次，逐步完善。

6. ReAct + Retrieval Tool

把检索封装成一个工具（Tool），用 ReAct 框架（Reasoning + Acting）驱动：

Thought: 我需要查一下 X 的定义
Action: search("X 定义")
Observation: 检索结果是...
Thought: 还需要查 Y
Action: search("Y 和 X 的关系")
Observation: ...
Answer: ...

核心思想： 推理和行动交替进行，边想边查。

7. RAG with Evaluator / Grader Loop

生成回答后，加一个外部评估器打分，不合格就重来：

检索 → 生成回答 → 评估器打分 →
  ✅ 分数达标 → 返回
  ❌ 分数不够 → 重新检索/重新生成

核心思想： 用外部质量把关形成闭环。

二、RAG 变体对比总结

变体核心机制关键词
Agentic RAGAgent 自主决策流程工具调用、自主规划
Self-Reflective RAG模型自我评估自省、特殊 token
CRAG检索后先评估文档质量纠错、备用方案
Adaptive RAG按问题复杂度选策略动态路由、按需检索
Iterative Retrieval多轮迭代逐步完善渐进式、多次检索
ReAct + Retrieval推理与行动交替Thought-Action-Observation
Evaluator Loop外部评估器打分闭环质量把关、循环优化

改进方向

基础 RAG: 检索 → 生成 → 输出

进阶思路围绕两个方向改进：

  1. 检索质量 → CRAG、Adaptive RAG、Iterative Retrieval
  2. 生成质量 → Self-Reflective、Evaluator Loop

而 Agentic RAG 和 ReAct 是”框架层面”的改进，把上面这些策略都变成可调用的工具/步骤。

三、LangGraph

核心概念

LangGraph 是 LangChain 团队开发的框架，用于构建基于图（Graph）的 AI 工作流。

把 AI 应用的流程画成一张有向图：

  • 节点（Node） = 一个个步骤（调用 LLM、工具、判断逻辑）
  • 边（Edge） = 步骤之间的连接（决定下一步去哪）
[开始] → [检索] → [LLM 判断] → [生成回答] → [结束]
                ↘ [再检索] ↗

为什么需要它

基础 LangChain 的链是线性的（A → B → C），但实际场景需要：

  • 条件分支：结果不好就走另一条路
  • 循环：不满意就重来
  • 并行：同时做多件事
  • 状态管理：记住之前做了什么

LangGraph 用图结构天然支持这些。

核心组件

组件作用
StateGraph定义图结构和共享状态
Node每个处理步骤（函数）
Edge节点之间的连接
Conditional Edge根据条件选择下一步
State在节点间传递的共享数据

简单示例

from langgraph.graph import StateGraph, END

# 定义状态
class State(TypedDict):
    question: str
    docs: list
    answer: str

# 定义节点
def retrieve(state):
    docs = search(state["question"])
    return {"docs": docs}

def generate(state):
    answer = llm(state["question"], state["docs"])
    return {"answer": answer}

def check_quality(state):
    if 质量达标:
        return "end"
    return "retrieve"  # 不好就重来

# 构建图
graph = StateGraph(State)
graph.add_node("retrieve", retrieve)
graph.add_node("generate", generate)

graph.set_entry_point("retrieve")
graph.add_edge("retrieve", "generate")
graph.add_conditional_edges("generate", check_quality, {
    "end": END,
    "retrieve": "retrieve"  # 循环回去
})

app = graph.compile()

四、LangGraph 与 RAG 变体的关系

LangGraph 是实现工具，前面那些 RAG 变体是策略/模式。

RAG 变体用 LangGraph 怎么实现
CRAG节点：检索 → 评估 → 条件分支（用/不用）
Adaptive RAG入口节点判断复杂度 → 条件边选路径
Iterative Retrieval循环边：检索 → 判断 → 不够就再检索
Agentic RAG节点可以是 Agent，边是工具调用
Evaluator Loop生成 → 评估 → 条件边（通过/重来）

一句话总结： LangGraph = 用”图”的方式编排 AI 工作流，支持分支、循环、状态管理，是实现各种高级 RAG 策略的实用框架。

AI RAG LangGraph