震惊！满分 RAG 背后，数据与查询策略竟这样协同

在顶尖的RAG（检索增强生成）系统里，数据与查询策略至关重要。要是数据策略占50分，那查询策略也占50分，二者缺一不可。

昨天，千集利用智能体处理文本块。智能体抽取关键元素和核心事件，给文本块“瘦身”。

之后，它能依据这些关键内容，快速找到查询的关键文本块，让查询迈向智能化。具体步骤如下：

a. 智能规划查询策略；

b. 按策略找相关数据或文本块；

c. 判断数据能否解决问题；

d. 确认答案后回复用户。

今天聚焦两方面：一是为啥这么做及好处；二是结合代码实操讲解（代码因篇幅省略，核心逻辑会详细阐述）。

一、创新原因与优势

以前做生产任务，要依据数据和目标做大量查询策略验证，可传统方式只能解决简单线性问题。在RAG查询策略配置时，这就导致困难重重，花大量时间精力，产出却很低，严重影响系统性能。

为改变这一状况，团队尝试把智能体引入查询策略制定。智能体像聪明的指挥官，能按预先设定的框架，智能规划和筛选策略，高效完成任务。

制定计划时，智能体把复杂任务拆分成小步骤，明确关键信息，制定逻辑清晰的计划，再一步步执行。  这次我们采用先进方式，重点在状态（state）管理。设置多个独立状态模块，分别定义输入和输出状态，描述LangGraph的输入输出。还设一个在步骤间传递的独立状态，默认返回时覆盖原状态，也支持追加、相加等方式更新状态，满足不同需求。

二、代码实操相关逻辑讲解

1. 连接知识图谱

如果接着上一篇学习，要让neo4j在后台运行，填好密钥，连接知识图谱，为数据交互打基础。这一连接操作在代码实现中虽未展示具体代码，但在实际操作里，它是建立数据通道的关键一步，就如同搭建起一座桥梁，让后续对知识图谱数据的检索、交互得以实现 。

2. 加载本地OpenAI

在代码同目录下创建 “.env” 文件，填入专属 key，代码如下：

这几行代码能启用本地 OpenAI api 功能。

3. 定义工作流

我们采用覆盖式方法，节点状态会被最新信息覆盖并传递到下一步。

InputState负责接收问题，OutputState用来返回答案和分析，OverallState则管理全局状态，包括问题、计划、操作记录和任务队列等。通过这样的状态定义，系统能够有条不紊地处理和流转信息，为智能体的运行提供清晰的数据结构支撑 。

4. 规划智能体行动

要给智能体定行动准则，让它知道怎么制定计划、执行子任务。因知识图谱数据是英文（仅会员可见），所以用英文提示词，若数据是其他语言，更新提示词就行。

在这一过程中，系统提示词起到引导智能体制定逻辑清晰计划的作用，同时能根据用户问题动态生成个性化计划，极大提升了智能体应对不同问题的能力 。

5. 筛选图节点

我们要让智能体找到解决问题的核心数据。智能体判断节点的方法有两种：一是用大模型给节点打分，通过提示词列出10个评分指标，高分节点为可能解决问题的节点；二是把neo4j节点转为向量，在Neo4j数据库进行相似性搜索，本次选k = 50个相似节点。

结合任务特点，我们选了相似性搜索法，这种方法能够在庞大的节点数据中，快速筛选出与问题相关度较高的节点，为后续精准解决问题奠定基础 。

6. 筛查源数据

返回节点关联的源数据在pdf文件里，要筛查避免干扰大模型。筛查策略是：从“原子事实”出发，结合问题、计划、笔记本信息和过往操作决定下一步；若文本块可能含答案就读取，否则检查邻居节点。

智能体就像聪明的律师，依据数据决定查找文本块的方向。若当前数据不能解决问题，就继续找。收集到足够证据后，求证问题是否解决，最后整合证据回复用户。这一筛查过程能够确保提供给大模型的数据精准有效，避免因冗余信息影响模型判断，从而提升答案的准确性和有效性 。

最后，在langgraph里定义这些策略和过程，构建起完整的执行流程。当用户提问时，智能体按策略探索数据，整合信息回复，给出有理有据的答案。

今天就到这，接下来我们会深入学习langgraph。

千集一直关注MCP、多模态、Mamba混合架构进展，完成langgraph学习后，将开启多模态 + MCP双线探索。