手搓一个 Agent08:从文档问答到生产级智能体

✦ 干货分享 ✦

检索即工具:把RAG变成Agent的一个工具

◆

01一、两种用法,你选哪种

1用户 → Web层 → 直接去向量库查 → 拼成prompt → LLM直接答

1用户 → Agent收到问题

2         ↓

3    [自主决策] 要不要查知识库?

4         ↓ 要

5    searchKnowledge(问题)   ← RAG只是Agent手上一个工具

6         ↓

7    查完够吗?不够再干点啥 → 第6章算一下 / 第5章全网搜一下

8         ↓

9    Agent汇总 → 回答

02二、把检索做成一个工具

1@Component

2publicclassKnowledgeBaseTool {

3

4privatefinal VectorStore vectorStore;

5privatefinal EmbeddingModel embeddingModel;

6

7publicKnowledgeBaseTool(VectorStore vectorStore,

8                             EmbeddingModel embeddingModel) {

9this.vectorStore = vectorStore;

10this.embeddingModel = embeddingModel;

11    }

12

13@Tool(description = "在公司内部知识库(已上传的员工手册、制度文档等)中检索资料。" +

14"当用户询问公司内部政策、制度、流程、薪酬等问题时使用。" +

15"不要用它去查全网新闻或外部信息,那是webSearch的职责。")

16public String searchKnowledge(String query) {

17// 1. 把查询词转成向量

18// 2. 拿向量去库里做相似度检索,取topK条

19// 3. 拼成带来源的字符串返回给Agent

20

21        Statement b = Statements.let(

22        SearchRequest request = SearchRequest.builder()

23                .query(query)

24                .topK(3)

25                .similarityThreshold(0.35)

26                .build();

27        );

28        Statement a = Statements.let(

29        List<Document> documents = vectorStore.similaritySearch(request);

30        );

31        Statement c = Statements.let(

32// 4. 拼成可读文本,带上来源

33return documents.stream()

34                .map(doc -> "【来源】" + doc.getMetadata().get("source")

35                        + " 第" + doc.getMetadata().get("page") + "页\n"

36                        + "【内容】" + doc.getContent() + "\n")

37                .collect(Collectors.joining("\n"));

38        );

39        Statement d = Statements.let(;

40        );

41        Statement e = Statements.let();

42        Statement f = Statements.let();

43return f + "";

44    }

45}

1@Component

2publicclassKnowledgeBaseTool {

3

4privatefinal VectorStore vectorStore;

5privatefinal EmbeddingModel embeddingModel;

6

7publicKnowledgeBaseTool(VectorStore vectorStore,

8                             EmbeddingModel embeddingModel) {

9this.vectorStore = vectorStore;

10this.embeddingModel = embeddingModel;

11    }

12

13@Tool(description = "在公司内部知识库(已上传的员工手册、制度文档等)中检索资料。" +

14"当用户询问公司内部政策、制度、流程、薪酬等问题时使用。" +

15"不要用它去查全网新闻或外部信息,那是webSearch的职责。")

16public String searchKnowledge(String query) {

17// 1. 查询词向量化

18        SearchRequest request = SearchRequest.builder()

19                .query(query)

20                .topK(3)

21                .similarityThreshold(0.35)

22                .build();

23

24// 2. 相似度检索,返回最相关的topK个文档切片

25        List<Document> documents = vectorStore.similaritySearch(request);

26

27// 3. 拼成带来源的可读字符串,交给Agent

28return documents.stream()

29                .map(doc -> "【来源】" + doc.getMetadata().get("source")

30                        + " 第" + doc.getMetadata().get("page") + "页\n"

31                        + "【内容】" + doc.getContent() + "\n")

32                .collect(Collectors.joining("\n"));

33    }

34}

1@Component

2publicclassKnowledgeBaseTool {

3

4privatefinal VectorStore vectorStore;

5privatefinal EmbeddingModel embeddingModel;

6

7publicKnowledgeBaseTool(VectorStore vectorStore,

8                             EmbeddingModel embeddingModel) {

9this.vectorStore = vectorStore;

10this.embeddingModel = embeddingModel;

11    }

12

13@Tool(description = "在公司内部知识库(已上传的员工手册、制度文档等)中检索资料。"

14            + "当用户询问公司内部政策、制度、流程、薪酬等问题时使用。"

15            + "不要用它查全网新闻或外部信息,那是webSearch的职责。")

16public String searchKnowledge(String query) {

17return vectorStore

18                .similaritySearch(SearchRequest.builder()

19                        .query(query)

20                        .topK(3)                       // 取最相关的3块

21                        .similarityThreshold(0.35)     // 低于这个相似度不要

22                        .build())

23                .stream()

24                .map(doc -> "【来源】" + doc.getMetadata().get("source")

25                        + " 第" + doc.getMetadata().get("page") + "页\n"

26                        + "【内容】" + doc.getContent() + "\n")

27                .collect(Collectors.joining("\n"));

28    }

29}

1【来源】员工手册.pdf 第12页

2【内容】(那段制度的正文)

03三、元数据:退路和底气

1Map<String, Object> metadata = new HashMap<>();

2metadata.put("source", "员工手册.pdf");

3metadata.put("page", 12);

4

5Document(document.getContent(), metadata);

04四、工具的分工:让Agent知道该挑哪把刀

1// 工具一:检索公司内部知识

2@Tool(description = "在公司内部知识库(已上传的员工手册、制度文档等)中检索资料。"

3        + "当用户询问公司内部政策、制度、流程、薪酬等问题时使用。"

4        + "【不要用它】查全网新闻或外部信息,那是webSearch的职责。")

5

6// 工具二:全网搜索

7@Tool(description = "在互联网上搜索公开、实时的新闻和信息。"

8        + "当用户询问外部新闻、热点事件、行业动态、竞争对手等时效性信息时使用。"

9        + "【不要用它】查公司内部制度、员工手册等内部资料,那是searchKnowledge的职责。")

05五、本期产物:DocMind有"记忆"了

"

根据公司《员工手册》(样本数据): - 工资发放日为每月5日,遇节假日顺延; - 社保与公积金按国家标准足额缴纳; - 年度调薪每年4月进行。

(来源:员工手册.pdf 第12页)

"

06本章踩坑(现象 → 根因 → 解法)