Agentic RAG（智能体检索增强生成）系统是我基于 TypeScript 全栈开发的智能文档问答平台。该系统结合业界前沿的 LangChain 生态和 LangGraph 编排框架，配合 Chroma 向量数据库，构建了一个具备自我反思、自我修正能力的智能问答系统。

传统 RAG 系统在面对复杂查询时往往存在检索不准确的问题。本项目通过引入智能体思维，实现了：

• 智能检索：基于语义理解的文档检索
• 自我评估：LLM 驱动的相关性评分机制
• 动态优化：问题重写与二次检索的闭环优化
• 企业级应用：完整的文档管理和问答流程

---

本项目采用分层架构设计，确保系统的高可维护性和扩展性：

设计目标：构建文档处理与基础检索能力

核心实现：

• 向量化引擎：基于 Chroma 的本地向量数据库
• 文档处理流水线：文本清洗 → 智能分块 → 向量化存储
• 基础检索：相似度匹配与 Top-K 片段提取

技术亮点：

• 支持多种文档格式（Markdown、TXT、PDF、Word、Excel）
• 自适应文本分块策略，确保语义完整性
• 高效的向量索引构建与查询优化

设计目标：实现具备自我修正能力的智能问答系统

核心架构：

智能决策流程：

1. 检索阶段：基于语义相似度检索相关文档片段
2. 评估阶段：LLM 作为智能评估器，判断检索结果的准确性
3. 优化阶段：当评估不通过时，系统自动重写查询并重新检索
4. 生成阶段：基于高质量检索结果生成最终答案

---

技术组件	选型理由	实现功能
TypeScript	类型安全，工程化友好	全栈开发，确保代码质量
LangChain.js	AI 应用开发标准框架	构建基础组件链式调用
LangGraph.js	支持循环结构的图编排	实现智能体的决策闭环
Chroma	轻量级本地向量数据库	高效的向量存储与检索
Docker	环境一致性保障	数据库容器化部署

// 文件加载器工厂模式
class FileLoaderFactory {
  static createLoader(fileType: string): FileLoader {
    switch(fileType) {
      case '.md': return new MarkdownLoader();
      case '.pdf': return new PDFLoader();
      // ... 其他格式支持
    }
  }
}

// 智能文本分割
class SmartTextSplitter {
  splitText(content: string): DocumentChunk[] {
    // 基于语义边界的智能分割算法
    return this.semanticSplit(content);
  }
}

// StateGraph 状态图定义
export function createAgenticRAGWorkflow() {
  const workflow = new StateGraph(GraphStateSchema)
    .addNode('retrieve', retrieveNode)
    .addNode('grade', gradeNode)
    .addNode('generate', generateNode)
    .addNode('rewrite', rewriteNode);

  // 条件路由逻辑
  workflow.addConditionalEdges('grade', routeCondition, {
    generate: 'generate',
    rewrite: 'rewrite'
  });
}

---

1. 多格式文档支持

   • Markdown、TXT、PDF、Word、Excel 等格式
   • 自动格式识别与内容提取

2. 智能检索优化

   • 语义相似度检索
   • 相关性自动评估
   • 动态查询重写

3. 企业级部署

   • Docker 容器化部署
   • 环境配置自动化
   • 监控与日志系统

• 响应速度：毫秒级文档检索
• 准确率：智能评估机制提升答案质量
• 扩展性：模块化设计支持功能快速迭代
• 稳定性：完整的错误处理与重试机制

---

LGJ_Repo-agentic-rag/
├── src/
│   ├── models/              # 模型调用层
│   │   ├── embedding.ts     # 向量化模型
│   │   └── llm.ts          # 语言模型接口
│   ├── db/                  # 数据访问层
│   │   └── chroma-client.ts # Chroma 数据库客户端
│   ├── file-loaders/        # 文件加载模块
│   │   ├── pdf-loader.ts    # PDF 文档加载
│   │   ├── docx-loader.ts   # Word 文档加载
│   │   └── index.ts         # 加载器工厂
│   ├── file-splitter/       # 文本分割模块
│   │   ├── text-splitter.ts # 基础文本分割
│   │   ├── markdown-splitter.ts # Markdown 智能分割
│   │   └── index.ts         # 分割器工厂
│   ├── 1-simple-rag/        # 基础 RAG 实现
│   │   ├── ingest.ts        # 文档入库
│   │   └── query.ts         # 基础查询
│   └── 2-agentic-rag/       # 智能体 RAG 实现
│       ├── graph.ts         # 工作流图定义
│       ├── nodes.ts         # 节点函数实现
│       ├── state.ts         # 状态管理
│       ├── main.ts          # 主程序入口
│       └── cli.ts           # 命令行接口
├── data/                    # 示例文档数据
├── docker-compose.yaml      # 数据库容器配置
├── .env.example             # 环境配置模板
└── package.json             # 项目依赖配置

---

• Node.js 18+
• Docker & Docker Compose
• 可选的 OpenAI API Key 或本地模型服务

# 1. 启动向量数据库
docker compose up -d

# 2. 安装项目依赖
npm install

# 3. 配置环境变量
cp .env.example .env
# 编辑 .env 文件，配置模型服务

# 4. 文档向量化入库
npm run rag:ingest

# 5. 启动智能问答系统
npm run agent:run

# 基础文档检索测试
npm run rag:query

# 启动智能体交互模式
npm run agent:run

# 开发模式（热重载）
npm run dev

---

本系统的核心创新在于引入了自我反思与修正机制：

1. 检索质量评估：LLM 对检索结果进行相关性评分
2. 问题意图分析：当检索失败时，分析用户真实意图
3. 查询重写优化：基于意图分析生成更准确的查询语句
4. 闭环优化：通过多次迭代提升答案质量

1. 向量索引优化：Chroma 的高效相似度搜索算法
2. 缓存机制：频繁查询结果的本地缓存
3. 批量处理：文档入库的批量向量化操作
4. 异步处理：非阻塞的 I/O 操作设计

---

• 内部文档智能检索
• 政策法规快速查询
• 技术文档问答系统

• 智能客服知识库
• 产品文档自助查询
• 常见问题自动解答

• 学习资料智能检索
• 课程内容问答助手
• 个性化学习推荐

---

• 支持更多文档格式（PPT、HTML等）
• 实现多轮对话记忆
• 增加混合检索策略

• 集成外部知识源（Web Search）
• 实现多模态文档处理
• 构建分布式向量数据库集群

• 构建企业级知识图谱
• 实现个性化推荐系统
• 开发可视化配置界面

---

如有技术问题或合作意向，欢迎通过以下方式联系：

• 项目仓库：[GitHub Repository]
• 技术文档：[详细技术文档]
• 联系方式：[您的联系方式]

---

本项目采用 MIT 开源协议，欢迎技术交流与二次开发。

---

构建者：LGJ
技术栈：TypeScript + LangChain + LangGraph + ChromaDB + Deepseek API
项目类型：全栈 AI 应用开发
最后更新：2026年1月