拒绝无效搜索！教你用 Qwen2-7B+Agent 打造「智能文档挖掘机」，第二页内容无所遁形

上一篇回顾：本地 Qwen2-7B 接入 Agent+RAG 系统

在上一篇教程中，千集完成了两项核心操作：

本地模型部署

基于纯本地环境运行 Qwen2-7B 大模型，并将 Agent 成功接入 RAG 系统。

工具开发

自定义并打包了一组基础函数工具（如计算工具、信息查询工具等），为智能化交互奠定基础。

今日目标：演示如何调用已开发的 Tools，实现精准信息检索与任务处理。以实际案例展示 RAG 系统的核心能力：

提问：第二页讲了什么？

系统响应流程：

语义分析

识别用户需求为 “定位文档第二页内容”。

精准检索

通过向量搜索工具（vector_search_tool）定向查询标注为 “page_label:2” 的文档片段。

结果返回

提取《卖油翁》第二页的翻译、情节解析及重点字词说明（具体内容见后文 “Observation” 部分）。

一、RAG 系统核心优势：零干扰的精准信息触达

传统 RAG 系统在简单 QA 任务中常面临检索效率低、信息冗余等问题，而本次升级后的系统通过以下特性实现突破：

智能任务调度

结合 Agent 能力，系统可自动判断何时调用检索工具（如查询《卖油翁》内容）、何时执行代码（如数学计算），避免 “大海捞针” 式盲目搜索。

动态工具编排

支持跨数据类型（文本、结构化数据）和多工具（向量搜索、摘要生成等）的协同工作，例如：

检索特定页码内容时，通过MetadataFilters参数精准限定搜索范围（如page_label=2）。

处理复杂问题时，自动组合多个工具完成任务（如先检索再生成摘要）。

用户价值：

信息精准度：LLM 接收的干扰信息≈0，返回结果 100% 贴合需求。

操作门槛：无需手动编写复杂检索代码，系统自动解析用户意图并触发对应工具。

二、技术实操：Qwen2-7B 接入 Agent Tools 全流程

1. 什么是 Function Tools？

本质：传递给 LLM 的 Python 函数，用于突破大模型 “静态数据限制”，实现与外部世界的动态交互。

核心场景：

实时数据获取

查询最新赛事结果、天气信息等（训练数据未覆盖内容）；

多模态处理

调用 API 生成图片、音频等非文本内容；

复杂逻辑执行

如本次案例中通过向量搜索定向获取文档片段。

2. 本地模型初始化与工具封装

步骤 1：加载 Qwen2-7B 模型

步骤 2：定义基础函数工具

步骤 3：封装为 FunctionTool 对象

3. 工具调用测试

案例 1：数学计算

用户提问

5 乘以 5 等于多少？

系统响应

案例 2：信息查询

用户提问

千集多少岁？

系统响应

三、实战进阶：为《卖油翁》文档创建专属 Tools

1. 定向检索工具开发

通过MetadataFilters参数实现 “按页码检索” 功能，代码示例：

2. 精准回答 “第二页讲了什么”

用户提问

第二页讲了什么？

系统执行流程

3. 工具有效性验证

通过限定page_label=2，系统仅检索目标页面数据，避免无关内容干扰。测试问题 “陈尧咨射箭后发生了什么”，返回结果与第二页情节完全吻合（见原文代码段及输出）。

四、系统实战：从基础到复杂任务流

本次教程实现了单工具单次调用的基础 RAG 应用，后续系列课程将逐步升级至复杂任务流设计：

五、下一篇预告：复杂 RAG 工作流设计

本次演示为单工具单步操作，下一篇将结合《卖油翁》教学场景，实现多工具协同任务流：

用户提问 “分析卖油翁与陈尧咨的人物形象”；

系统自动拆解任务：

第一步：检索文档中两人的对话与行为（vector_search_tool）；

第二步：调用情感分析工具提取人物性格关键词；

第三步：生成结构化对比报告（summary_tool）。

通过该案例，你将学会如何设计动态工具链，让 RAG 系统根据用户需求自动编排工具执行顺序，真正实现 “智能化问题解决”。

技术交流：关注千集技术频道，回复 “RAG” 获取《Agent+RAG 系统开发手册》，或扫码加入交流群与开发者实时互动。