 |  |
|---|
从RAG召回到ReAct多轮交互
架构总览
对话Agent的核心目标是结合外部知识（RAG召回）与工具调用能力（ReAct模式），解决复杂问题。
整体流程可概括为：
-
用户输入 → embedding → 向量数据库召回
-
构建带上下文(召回的内容)的 prompt
-
ReAct模式多轮交互
-
最终输出答案
核心流程拆解
RAG召回：让Agent学习外部知识
目标：从向量数据库中获取与用户问题相关的上下文信息，避免大模型出现”幻觉”。
步骤：
-
用户输入经
InputToRag Lambda Node处理，生成用于召回的字符串 -
调用 Retriever 组件 （以Milvus数据库为例），通过Embedding将问题向量化
-
向量数据库执行相似度匹配，返回相关文档
-
结果存入
map["documents"]，作为后续Prompt的上下文来源 。
Prompt构建：动态拼接上下文与对话历史
目标：将用户输入、RAG召回内容、 对话历史 整合成大模型可理解的prompt。 prompt构建好后，将prompt移交给ReAct组件使用。
核心组件： ChatTemplate
-
输入：两个lambda node的输出合并
-
占位符设计：
-
{content}：用户原始问题 -
{documents}：RAG召回的相关文档 -
{date}：当前时间（增强时效性） -
{history}：历史对话
-
ReAct模式：让Agent学会”思考-行动-观察”循环
目标：通过多轮工具调用解决复杂问题，核心是”显式思考→工具调用→结果观察”。
循环四步骤：
-
Reason（思考）：大模型分析问题， 判断是否需要调用工具 （如”需要查实时数据→调用搜索工具”）。
-
Action（执行）：返回工具调用请求（含函数名、参数，如
{"name":"Search","parameters":{"query":"2025世界杯冠军"}}，调用工具获取返回结果（如搜索到”阿根廷夺冠”）。
- Observation（观察）：工具结果返回给大模型，开始新一轮循环（若无需继续调用工具，则输出最终答案）。
关键组件深析
Lambda Node ：数据流转的”转换器”
-
InputToRag：
-
输入：用户原始问题（可自定义预处理，如过滤无关信息）。
-
输出：用于RAG召回的字符串（直接影响召回精度，需确保与向量数据库存储内容匹配）。
-
-
InputToChat：
-
输入：用户问题+对话历史。
-
输出：
map结构（含content/history等key），作为ChatTemplate的动态参数来源。
-
Retriever：向量召回的”连接器”
以Milvus实现为例， Retrieve 方法核心逻辑：
Tool：Agent的”双手”
Tool本质是 带描述的函数，需明确告知大模型：
-
函数名称（如”查询当前时间”）
-
入参/返参格式（json来描述）
-
使用场景（如”当问题涉及当前时间时调用”）
例：定义一个时间工具
总结：Agent能力的三角支柱
对话Agent的智能源于三方面协同：
-
RAG召回：赋予外部知识记忆能力。
-
动态Prompt：让大模型学习外部知识，并带有记忆(历史对话)。
-
ReAct模式：实现复杂任务拆解与工具调用。