Python+LangGraph+RAGAS構建一個復雜的、可用于生產的RAG系統
構建一個可用于生產的 RAG 系統，需要一系列深思熟慮且迭代的步驟。
一切從 清理和準備數據 開始，接著測試不同的 切分策略（邏輯切分與傳統切分），以找到最適合你業務場景的方法。
然后是 匿名化，通過去除敏感或無關的細節來減少幻覺。
為了進一步提升檢索器的性能，可以構建 子圖（Subgraph），讓檢索更聚焦于最相關的信息，同時過濾掉噪聲。
在檢索層之上，我們引入一個由 LLM 驅動的規劃與執行系統。它就像一個智能體（Agent），能夠從前面的步驟中學習，并決定下一步應該執行什么操作。
最后，當 RAG 系統生成回答后，我們會使用一系列指標對其性能進行評估。
在接下來的一系列文章中，我們將一步步演示如何構建這樣一個全棧 RAG 系統。
整個過程將基于LangChain、LangGraph 和 RAGAS（用于評估），一切從真實的企業需求出發，并展示開發者在構建生產級 RAG 系統時會遇到的實用解決方案。
在開始編碼之前，最好先從全局可視化角度理解我們的 RAG Pipeline 的整體結構。隨著后續的推進，我們會逐步可視化其中的每個組件。
我們最終版 RAG 流水線的高層概覽：
- 問題匿名化：先對用戶輸入的問題進行匿名化處理
- 規劃器（Planner）生成高層策略
- 去匿名化：重新引入上下文信息
- 計劃分解：將整體計劃拆解為更小的任務
- 任務處理：為每個任務選擇合適的工具
- 檢索工具執行：若工具為引語、切分塊或摘要檢索，則進行數據獲取
- 重新規劃（Replan）：基于新獲取的信息，系統可能會調整計劃
- 生成最終答案：如果系統確認可以回答問題，則輸出最終答案
- 流程結束
首先，我們調用 anonymize_question。它會將具體的人名（例如 “Harry Potter”、“Voldemort”）替換為占位符（如 Person X、Villain Y），以避免LLM 因預訓練知識而產生偏差。
接下來，planner 會生成一個高層策略。比如對于問題 “How did X defeat Y?”，它可能會規劃如下步驟：
- 識別 X 和 Y
- 定位他們的最終對抗場景
- 分析 X 的行為
- 起草答案
然后我們運行de_anonymize_plan，恢復原始名字，使計劃更加具體且可執行。更新后的計劃會傳遞給 break_down_plan，將每個高層步驟拆解為更具體的任務。
接著，task_handler 會為每個任務選擇合適的工具。可能的選項包括：
- chosen_tool_is_retrieve_quotes：檢索具體的引言或對話
- chosen_tool_is_retrieve_chunks：獲取一般信息與上下文
- chosen_tool_is_retrieve_summaries：查詢總結整章內容
- chosen_tool_is_answer：在已有足夠上下文時，直接生成答案
當使用某個檢索工具（如retrieve_book_quotes、retrieve_chunks 或retrieve_summaries）后，新的信息會被傳遞給 replan。
replan 會審查當前的進展、目標以及新輸入，判斷是否需要更新或擴展原有計劃。
整個循環task_handler → tool → replan 會持續進行，直到系統判定該問題 can_be_answered_already（已經可以回答）。此時，get_final_answer 會綜合所有信息，生成完整的回答。
最后，檢查答案的準確性和是否忠實于來源。如果通過檢查，流程會以 end 結束，交付一個經過驗證、推理合理的最終答案。
本文轉載自??PyTorch研習社??，作者：南七無名式
