用 LangGraph 改造单一 RAG 架构：让 Agent 决定调用向量、图遍历还是网络搜索
来源：互联网
时间：2026-06-26 12:12:31
想象一下，你有一个超级智能助手，它能根据你的问题自动选择最合适的搜索工具——从内部文档到知识图谱，再到网络实时数据，甚至直接调用大模型算数学题。这就是利用
LangGraph
为什么需要 Agent？Pipeline 的局限
语义搜索、向量数据库迁移、Graph RAG……这些系统有一个共同缺陷——都是
Pipeline
真实问题并不符合这个假设：
- "我们的退款政策是什么？" 需要 向量搜索
- "顶级客户和这家供应商之间有什么关联？" 需要 图遍历
- "美联储今早宣布了什么？" 需要 网络搜索
Pipeline 只能处理其中一种。Agent 三种都能做，而且能自己决定用哪种。
传统 RAG 是一个函数——输入 → 输出。Agentic RAG 是一个状态机——它有记忆、能做决策、可以回溯，只有在对答案有把握时才会终止。思维转变：
什么让它变得"Agentic"？
Agent 与 Pipeline 的区别体现在四种能力上：
路由、检索、自我纠错、合法性验证
"公司的数据留存政策是什么？"——Vector（向量搜索）
"排名前 3 的客户与哪些供应商有关联？"——Graph（图搜索）
"美联储今天关于利率的最新公告是什么？"——Web（网络搜索）
"340 的 15% 是多少？"——DirectLLM（直接调用 LLM）
