LangChain : création d'un agent RAG
Dans les deux articles précédents, nous avons préparé le magasin de vecteurs et le récupérateur.
Cet article les intègre dans un agent pour construire un agent RAG complet — un assistant intelligent capable de répondre à des questions à partir d'une base de connaissances privée.
Création d'un outil de récupération
Encapsulez le récupérateur dans un outil, et l'agent peut automatiquement rechercher dans la base de connaissances si nécessaire.
Si vous n'avez pas de clé OpenAI, vous pouvez utiliser le service d'Embedding d'Alibaba Bailian ; voir la configuration.https://www.example.com/langchain/langchain-alibailian.html:
# OpenAI 的文本嵌入模型
# 将文本转换为向量(一组浮点数)
# 使用阿里云百炼(DashScope)的通义千问 Embedding 服务
embeddings = OpenAIEmbeddings(
model="text-embedding-v4",
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
check_embedding_ctx_length=False,
chunk_size=10,
)
Exemple (OpenAI)
from dotenv import load_dotenv
load_dotenv()
from langchain.tools import tool
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain_openai import OpenAIEmbeddings
from langchain_chroma import Chroma
from langchain_text_splitters import RecursiveCharacterTextSplitter
# ----- Étape 1 : Préparer la base de connaissances -----
# Simuler les documents de connaissances d'EXAMPLE
knowledge_docs = [
"EXAMPLE a été fondée en 2013 et est une plateforme d'apprentissage de la programmation entièrement gratuite.",
"La plateforme a lancé 300+ tutoriels, couvrant le front-end, le back-end, les bases de données, le développement mobile et d'autres domaines.",
"Le tutoriel de base Python3 est le cours le plus populaire de la plateforme, avec plus de 5 millions d'apprenants cumulés.",
"Le tutoriel de base Python3 comporte 30 chapitres, notamment la configuration de l'environnement, la syntaxe de base, les fonctions, les classes, la gestion des exceptions, et plus encore.",
"Le tutoriel de base HTML comporte 25 chapitres, couvrant tout, depuis la structure HTML de base jusqu'aux formulaires et éléments multimédias.",
"EXAMPLE prend en charge l'exécution de code en ligne ; les apprenants peuvent écrire et exécuter du code sans installer de logiciel.",
"La plateforme est adaptée aux mobiles, permettant aux utilisateurs d'apprendre la programmation à tout moment et n'importe où sur leurs téléphones.",
"Le service d'adhésion d'EXAMPLE fournit des services à valeur ajoutée tels que des cours vidéo, des projets pratiques et des questions-réponses individuelles.",
]
# Division
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=200, chunk_overlap=30
)
chunks = text_splitter.create_documents(knowledge_docs)
# Stockage vectorisé -- cela peut être remplacé par Alibaba Bailian si vous n'avez pas de clé OpenAI
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vector_store = Chroma.from_documents(
documents=chunks,
embedding=embeddings,
)
retriever = vector_store.as_retriever(search_kwargs={"k": 3})
# ----- Étape 2 : Créer un outil de récupération -----
@tool
def search_knowledge_base(query: str) -> str:
"""Rechercher des informations pertinentes dans la base de connaissances EXAMPLE.
Lorsque les utilisateurs posent des questions sur des informations spécifiques concernant EXAMPLE (comme le nombre de cours, l'historique de la plateforme, les fonctionnalités, etc.),
vous devez utiliser cet outil pour interroger la base de connaissances afin d'obtenir des informations précises.
Arguments :
query: mot-clé de recherche ou question
"""
docs = retriever.invoke(query)
if not docs:
return "Aucune information pertinente trouvée dans la base de connaissances."
results = []
for i, doc in enumerate(docs, 1):
results.append(f"[{i}] {doc.page_content}")
return "\n\n".join(results)
# ----- Étape 3 : Créer l'agent RAG -----
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
tools=[search_knowledge_base],
system_prompt="""Vous êtes l'assistant intelligent du service client d'EXAMPLE.
## Règles
1. Lorsque les utilisateurs demandent des informations spécifiques sur EXAMPLE, vous devez utiliser l'outil search_knowledge_base pour interroger.
2. Répondez en vous basant sur les informations récupérées ; n'inventez pas de contenu qui n'est pas dans la base de connaissances.
3. Si la base de connaissances ne contient aucune information pertinente, dites-le honnêtement à l'utilisateur.
4. Soyez aimable, concis et précis dans vos réponses.""",
)
# ----- Étape 4 : Test -----
questions = [
"Quand EXAMPLE a-t-il été fondé ?",
"Combien de chapitres y a-t-il dans le Tutoriel de base Python3 ?",
"Combien de tutoriels EXAMPLE compte-t-il au total ?",
]
for q in questions:
result = agent.invoke({"messages": [HumanMessage(content=q)]})
print(f"Q: {q}")
print(f"R : {result['messages'][-1].content}")
print("-" * 60)
Résultats d'exécution :
Q: Example是什么时候创立的? A: Example创立于 2013 年,是一个完全免费的编程学习平台。 ------------------------------------------------------------ Q: Python3 基础教程有多少章? A: Python3 基础教程共 30 章,包含环境搭建、基本语法、函数、类、异常处理等内容。 ------------------------------------------------------------ Q: Example一共有多少套教程? A: Example已上线 300+ 套教程,涵盖前端、后端、数据库、移动开发等多个领域。 ------------------------------------------------------------
Flux d'exécution de l'agent RAG
Pour la troisième question ci-dessus, « Combien de tutoriels EXAMPLE a-t-il au total ? », le flux d'exécution de l'Agent est :
- L'utilisateur pose une question
- Le modèle détermine qu'il doit interroger la base de connaissances → appelle search_knowledge_base("nombre de tutoriels EXAMPLE")
- Le récupérateur recherche dans la base de données vectorielle les segments de document les plus similaires sémantiquement.
- Renvoie les résultats de la recherche au modèle.
- Le modèle génère une réponse précise basée sur les résultats de la recherche.
Ajout de sources de citation
Les systèmes RAG professionnels incluent généralement des sources de citation afin que les utilisateurs sachent d'où proviennent les informations :
Exemple
@tool
def search_with_sources(query: str) -> str:
"""Recherche dans la base de connaissances EXAMPLE et renvoie les résultats avec des annotations de source.
Arguments :
query: mot-clé de recherche
"""
docs = retriever.invoke(query)
if not docs:
return "Aucune information pertinente trouvée."
results = []
for i, doc in enumerate(docs, 1):
source = doc.metadata.get("source", "Base de connaissances d'exemple")
results.append(f"[Source {i}: {source}]"\n{doc.page_content}")
return "\n\n".join(results)
# Pour conserver les informations de source dans le document, vous pouvez ajouter des métadonnées lors de sa création.
doc_with_meta = Document(
page_content="Le tutoriel de base Python3 comporte 30 chapitres...",
metadata={"source": "Tutoriel de base Python3 - Introduction au cours", "url": "https://www.example.com/python3/"}
)
Persistance de la base vectorielle
Dans des projets réels, vous ne reconstruisez pas l'index vectoriel à chaque fois. Chroma prend en charge la persistance vers le stockage local :
Exemple
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vector_store = Chroma.from_documents(
documents=chunks,
embedding=embeddings,
persist_directory="./example_vector_db", # Répertoire de persistance
)
# Charger directement lors des exécutions suivantes
loaded_store = Chroma(
persist_directory="./example_vector_db",
embedding_function=embeddings,
)
retriever = loaded_store.as_retriever()
# Pas besoin de recalculer les vecteurs !
Autres extensionsLa persistance du magasin de vecteurs peut grandement améliorer la vitesse de démarrage. Avec de gros volumes de documents (des dizaines de milliers de documents), le recalcul des embeddings pour tous les vecteurs peut prendre des dizaines de minutes. Une fois persisté, il vous suffit de le charger.