RAG 集成与生态

RAG 分类讲了检索原理，本篇讲 LangChain 怎么把 RAG 接进 agent：retriever 作为工具、生态配套怎么用。

retriever 作工具

RAG 和 agent 的组合方式：

方式	做法	适用
直接检索	问题先检索再让模型回答	固定流程（传统 RAG）
retriever 作工具	检索封装成工具，agent 自己决定何时检索	复杂任务，agent 判断需要
混合	固定检索 + 工具兜底	生产常见

from langchain.tools import tool

@tool
def search_docs(query: str) -> str:
    """从知识库检索相关资料。当问题涉及产品文档时使用。"""
    docs = retriever.invoke(query)
    return "\n".join(d.text for d in docs[:5])

retriever 作工具的好处：agent 自主决定检索时机和次数（先规划再查、不够再查），查询词可以由 agent 改写（比原始问题更精准）。代价：多一轮模型调用、行为不可完全预测。

检索工具的描述要点

说清知识库覆盖范围（“公司内部产品文档”），模型才知道何时用
说明返回结构（top-k 片段），模型才知道怎么用
查询改写交给模型：工具入参是 query 字符串，模型会生成合适的检索词

LangSmith：可观测与评估

能力	用途
追踪（Tracing）	每次调用的完整链路：检索了什么、模型怎么决策、工具结果
数据集与评估	构建评测集，回归测试 RAG 质量
在线监控	生产延迟、token 成本、错误率

LangSmith 追踪对 RAG+agent 特别有价值：能看到“检索结果好不好”和“模型有没有正确使用”，这两步是 RAG 质量的关键（见 RAG 评估篇的 RAGAS 指标）。

LangServe 与部署

LangServe：把 agent 包装成 REST API（serve 命令，自动 OpenAPI 文档）
支持流式响应（SSE）、后台任务
现代路径：LangSmith Deployments 逐步取代自建 LangServe，提供托管的 agent 服务（自动处理持久化基础设施，见 LangGraph 持久化篇）
部署注意：RAG 的向量库连接、embedding 模型、检索参数都要在服务端配置

面试追问

RAG 怎么和 agent 结合？ 把 retriever 封装成工具，agent 自主决定何时检索。比固定检索灵活，比纯工具更贴近知识
retriever 作工具的好处？ 检索时机和次数由 agent 决定，查询词可改写。代价是多轮调用、行为不确定
LangSmith 对 RAG 的价值？ 追踪检索和模型使用链路，数据集评估回归。RAG 质量 = 检索质量 + 使用质量
LangServe 是什么？ agent 的 REST 部署层，自动文档和流式。新项目看 LangSmith Deployments
检索工具的描述怎么写？ 说清覆盖范围、返回结构，让模型知道何时用、怎么用