做好RAG绝非易事！相似并不等于相关

在当今的AI领域，一个优秀的RAG（检索增强生成）产品，其上限往往体现在Agent（智能体）与工作流编排的精妙结合上。

然而，我们产品设计的核心切入点是RAG，而非Agent。这意味着，我们可以在RAG系统中调用Agent来获取外部信息，作为参考依据，从而优化生成结果。

那么，换个角度思考，是否有可能将RAG作为一种子反馈机制，为Agent提供服务呢？

这样的设计，将赋予系统处理复杂任务的能力，而这也正是在MAS（多智能体系统）系列中提出的解决方案。

生产级AI多智能体系统MAS学习指南

沿着这一思路，在GraphRAG系列中进行了更为深入的探索。

他提出，让知识图谱成为Agent的得力工具之一，使Agent在面对知识图谱或其他数据库时，能够自主决策是否调用相关资源。这一系列课程堪称知识图谱的进阶宝典，其价值极高，围绕“如何做好RAG”这一核心问题精心设计。

该加餐系列课程内容丰富，从数据处理到产品部署，涵盖了多个关键环节：

1. Day1：数据处理：将原始数据转化为知识图谱标准数据，为后续的构建工作奠定基础。

2. Day2：构建知识图谱：将处理好的数据存储到Neo4J中，构建起知识图谱的基本架构。

3. Day3：企业批量创建：实现工程化批量处理知识数据，提高数据处理效率。

4. Day4：RAG学习合集：深入浅出地讲解langchain核心知识，帮助学员掌握RAG的关键技术。

5. Day5：GraphRAG融合：将知识图谱与RAG相结合，增强RAG的性能，推动kg+rag应用的发展。

6. Day6：Agent接入GraphRAG：使GraphRAG成为Agent的决策工具，提升Agent的决策能力。

7. Day7：后端服务部署：将整个产品打包成后端服务，并进行微调，使其能够稳定运行。

8. Day8：产品构建与交付：手把手指导学员构建Agent+GraphRAG的产品，并提供给用户使用。

整个加餐系列内容前后连贯，从GraphRAG的原理剖析到实际应用，逐步展开，让学员能够系统地学习和掌握相关知识和技能。

快速定位，聚焦兴趣

考虑到人的专注力有限，我们建议大家直接跳到自己感兴趣的部分进行学习：

1. 如何将GraphRAG接入到Agent？其原理是什么？

2. 在接入过程中会遇到哪些问题？相应的解决方案是什么？

3. 实际操作：一边运行代码，一边深入探讨代码细节

AI发展迅猛，实践出真知

AI领域发展日新月异，只有亲自动手实践，才能深入了解其中的奥秘。就像过河一样，只有真正迈出脚步，才能知道哪里有坑，该往哪个方向走。

同时，这个系列课程也是知识图谱课程的重要补充和延展，我们将持续更新加餐内容，为大家提供更多有价值的学习资源。强烈建议大家前往知识图谱课程打卡学习，相信你一定会收获满满！

第一部分：GraphRAG与Agent的深度融合

在MAS系列中，对Agent进行了深入的介绍和研究，从顶层设计到技术实现，全方位地为MAS配备了与外部世界交互的特定工具，使Agent从被动的语言模型转变为能够主动解决问题的智能体。

今天，我们将深入探讨如何将GraphRAG的结果作为Agent的信息接口之一。  为什么说是“之一”呢？因为这种方案具有很强的通用性，可以应用于各种产品，将不同的数据源接入Agent。Agent能够根据当前任务的需求，智能、自主地决策调用哪些信息，以更好地完成任务。

本次，以Neo4j接入Agent为例，为大家展示具体的实现过程。首先，我们自定义了一些工具，让Agent能够根据这些工具进行决策： `

稍后，将在代码演示中，详细讲解核心关键部分，帮助大家更好地理解和掌握。

在MAS内部，Agent是如何进行决策的？多个Agent之间是如何协同工作、保持对齐的？在函数调用过程中，如何提高工具的成功触达率？如果出现错误，又该如何处理？即将上线的函数调用专题，将对这些问题进行深入探讨。

虽然从示意图上看，整个过程似乎很简单，但实际上要做好并不容易。随着工具数量的增加，Agent的决策正确率会降低。因此，我们建议尽可能减少单个线程的Agent进行跨领域决策，可以采用父子架构设计，减少工具决策的复杂性。

当找到合适的工具后，如何让工具的结果根据动态任务目标进行调整呢？例如，在Neo4j中查询产品信息时，如果工具错误地查询了跟单路由，就无法完成任务。这时，就需要进行动态查询，以获取正确的结果。

第二部分：问题剖析与解决方案

在上述任务中，我们主要面临两个关键问题：

1. 工具成功选用率：即正确工具反馈次数与调用次数的比例。这里的“正确工具反馈次数”并非简单地指工具是否与领域对应，而是指在的评估体系中，解决问题生成的结果达到90分以上的情况。从公式中可以看出，系统中的工具越多，Agent的决策成功率越低。目前，较少的工具编排能够提高成功率，但这种做法在实际应用中存在一定的局限性。为了提升系统性能，我们需要进行复杂编排，采用父子结构编排，并制定【通用行动指南】和【任务说明书】。

2. 动态任务的工具成功触达率：即收到成功执行结果次数与执行次数的比例。在动态任务中，确保工具能够成功触达并获取所需的反馈至关重要。以Neo4j为例，查询语言是Cypher，我们需要根据任务动态生成正确的查询语句，实时获取最新的数据。为了实现这一目标，我们可以采用提示词或微调等方法。提示词方案成本较低，但对于一些通用模型，可能无法满足任务质量要求，这时就需要进行微调。

第三部分：实践操作，代码详解

本次实践的环境与上篇相同，操作系统无特殊要求，三大系统均可，演示使用win11。实践环境为minicodna和jupyter，大模型采用openai api（也可选择本地模型），知识图谱使用Neo4j，RAG框架为langchain。

搭建好环境后，我们就可以跟着一起进行实操了。

首先，激活conda环境：

然后，进入jupyter环境，输入以下代码，会自动跳转到浏览器：

接下来，检查自己的key，打开同目录下的.env文件，确保所有key都填写正确。

我们的实践代码从day5继续，整个操作过程并不复杂，不习惯使用jupyter的同学可以根据自己的习惯进行调整。对于入门的朋友，建议跟着步骤进行操作。

首先，登录Neo4j，开启数据库。由于长时间未登录，官方可能会自动释放数据库，因此需要重新登录开启，开启后大约需要等待5分钟才能继续操作。  接下来，我们分别创建两个工具，让Agent决定调用哪个工具：

1. 第一个工具：

2. 第二个工具：

现在，我们给agent一个任务，看看它能否正常工作： 问：数据库中最贵的产品是什么？  整个执行过程如下：

1. 动作一：执行Agent编排器> Entering new AgentExecutor chain...

2. 动作二：找到正确的工具Invoking: `general-qa-tool` with `{'query': '数据库中最贵的产品是什么？'}`

3. **动作三**：执行工具> Entering new GraphCypherQAChain chain...

4. **动作四**：生成工具的查询函数，去Neo4j中查数据！

5. **动作五**：根据查询的实时结果输出回答> Finished chain. 最贵的产品是Côte de Blaye，价格为263.5。

通过以上操作，我们展示了如何将GraphRAG接入Agent，并实现了简单的任务处理。希望大家能够掌握这一技能，在AI领域不断探索和进步！