Agentic RAG
在 Modular RAG 阶段，我们通过解构“检索-重排-生成”各个模块，并引入查询重写与多路召回，解决了基础 RAG 的线性瓶颈。然而，即便是在模块化的架构下，系统依然是“被动”执行预设流程。面对法律咨询、医疗决策等极具专业深度的垂直领域时，传统的 Modular RAG 依然面临“语义断层”的挑战：当用户提问过于口语化而知识库条文过于专业时，即便是经过模块化重写，若初始检索分值低于阈值，系统往往会直接放弃或产生幻觉。
本篇文档将带你实施 Agentic RAG 智能体优化策略。通过在 Modular RAG 的基础上引入自主决策循环与自我纠错机制，我们在 《中华人民共和国民法典》 数据集的复杂逻辑测试中，实现了从“固定模块流”向“智能体自主推理”的跨越。
一、架构概览
- 数据层：
- 核心数据集：采用 《中华人民共和国民法典》。该数据具有严谨的逻辑层级和极高的专业术语密度，是验证智能体“语义重写”与“法理推理”能力的绝佳素材。
- 私有数据接入：系统具备高度的灵活性，支持上传行业规范、专家共识等 PDF，通过 SSH 通道（SCP）实现快速数据流转，即可实现从公共知识到行业私有知识的无缝切换。
- 解析策略：放弃会导致语义碎裂的机械切片，采用 SentenceSplitter 结合法律条文层级进行结构化解析，确保单个 Chunk 的语义完整性，为智能体提供高质量的“认知素材”。
- 推理层：
- 核心引擎：采用 vLLM 托管 Qwen3-8B，承担复杂的法理分析与查询重写任务。
- 数据存储与检 索层：
- 高效向量库：集成 Milvus Lite。采用嵌入式部署范式，通过 Python 原生加载本地 .db 文件。
- 嵌入模型：调用内置库加载 Qwen3-Embedding-8B，利用其 4096 维语义空间捕捉复杂的法理关联。
- 逻辑编排层：
- 自主决策工作流：超越 Modular RAG 的固定顺序，基于事件驱动架构实现“判定-反思-纠错-重搜”的闭环。
- 循环迭代范式：
- 自信度评估：引入 BGE-Reranker-v2-m3。不再盲目接受检索结果，而是根据精排分值（Threshold=0.35）判定“知识是否足以回答”。
- 自主纠错重写：若检索质量不达标，Agent 自动反思并将口语提问转化为标准法律术语（语义飞跃），重新触发检索。 思维链生成：通过输出 “think” 标签展示 Agent 的内部推导过程。
- 评估与溯源层：
- 实验验证：针对 Agentic 架构特有的“纠错重试”环节，对比原始检索与重写检索的分值跃升，量化智能体的“避坑”能力。
- 证据链透明化：在输出答案的同时，强制展示原始法条原文及 Rerank 置信度分值，并配合流式 “think” 标签展示推理链路，严控幻觉。
- 流程图：
-
文档：
-
代码：
-
二、优化步骤
为了彻底解决垂直领域中“搜不到”和“不敢信”的痛点，我们在代码中实施了以下三大 Agentic 进阶策略：
1：基于 Reranker 的自信度决策门控
在 Agentic RAG 中，重排模块不再仅是排序工具，而是系统路径的选择器。
- 代码实现逻辑：
- 分值化质量监测：在检索模块初筛后，立即接入 BGE-Reranker-v2-m3。
- 决策门控：实测设定 0.35 为动态判定阈值。若 Top-1 片段得分低于该值，系统判定当前“知识储备不足”，自动拦截生成请求。
- 结果：该机制有效过滤了 99% 的无关噪声。
2：自主纠错与语义重写循环
这是 Agentic RAG 区别于 Modular RAG 的核心标志，实现了检索路径的 动态修复。
- 典型案例：
- 用户输入：“租房子没到期房东想涨房租怎么办？”
- 初始检索：关键词“租房”在民法典中仅匹配到 0.07 分的无关条文（判定失败）。
- 智能体动作：触发纠错逻辑--推理出核心法理--自动执行二次检索。
- 二次检索：置信度提升至 0.99（匹配成功）。
- 代码实现逻辑：在 while 循环内封装重写逻辑，让 LLM 根据 Reranker 的反馈“重新思考”搜索词，直到分值达标或达到重试上限。
3：可观测性推理与证据溯源
在高标准的法律/技术咨询场景中，结果的“可信度”与准确度同等重要。
- 代码实现逻辑：
- CoT 思考路径展示：利用 Qwen3 的思考模型特性，实时展示智能体从“口语描述”到“法理判定”的逻辑跃迁。
- 证据溯源输出：在最终回复末尾，系统强制回溯输出检索到的 source_nodes：
- 原文对照：展示 PDF 解析出的原始《民法典》法条。
- 置信度量化：展示每一条证据的 重排得分。
- 结论：将传统的“黑盒生成”转变为“透明证据链”，显著提升了系统在垂直行业落地时的专业说服力。
三、沐曦 (MetaX) 部署指南
本章节适用于 曦云 C500 等沐曦系列算力卡。
1. 硬件与基础环境
- 算力型号：曦云 C500 (64GB) * 1
- 算力主机：
-
jiajia-mxc：
vLLM / 0.11.0 / Python 3.10 / maca 3.3.0.11
-
suanfeng-mxc：
vLLM / 0.13.0 / Python 3.10 / maca 3.3.0.303
-
2. 基础步骤
-
进入算力容器，启动实例后，点击 JupyterLab 进入工作台。
3. 实现步骤
3.1 下载 LlamaIndex 与 Milvus Lite 框架
-
创建终端窗口(Terminal)
-
输入代码：
pip install --target /data/llama_libs --no-deps -i https://mirrors.aliyun.com/pypi/simple/ -U \
"pymilvus==2.6.6" milvus-lite orjson minio pathspec python-dateutil pytz six \
llama-index-core llama-index-readers-file llama-index-llms-openai llama-index-llms-openai-like \
llama-index-embeddings-huggingface llama-index-vector-stores-milvus llama-index-postprocessor-sbert-rerank \
llama-index-instrumentation llama-index-workflows llama-index-utils-workflow \
llama-index-retrievers-bm25 rank-bm25 bm25s PyStemmer \
sentence-transformers pypdf docx2txt nest-asyncio ujson grpcio google-api-core protobuf banks griffe sqlalchemy dataclasses-json marshmallow typing-inspect fsspec filetype deprecated wrapt dirtyjson tenacity jinja2 pyyaml \
pandas numpy nltk tiktoken requests charset-normalizer urllib3 certifi idna sniffio anyio h11 httpcore httpx mypy_extensions typing_extensions scikit-learn scipy joblib threadpoolctl tqdm pyarrow \
ragas langchain-core langchain-openai langsmith requests_toolbelt "numpy<2.0" uuid_utils tenacity regex appdirs instructor docstring_parser langchain_community llama-index-llms-huggingface jsonpatch
pip install griffe -t /data/llama_libs
pip install tinytag -t /data/llama_libs
pip install accelerate -
完成下载后，新建一个新的终端:
3.2 启动 vLLM 推理
-
在新的终端内输入代码：
python -m vllm.entrypoints.openai.api_server \
--model /mnt/moark-models/Qwen3-8B \
--gpu-memory-utilization 0.4 \
--port 8000 -
当终端提示
INFO： Application startup compete，则完成vLLM启动步骤。
3.3 创建并运行 Python 脚本
-
点击 Python File：
-
输入代码：
import sys, os, asyncio, nest_asyncio, torch, time, re
import pandas as pd
# 1. 环境初始化
PRIVATE_LIB = "/data/llama_libs"
if PRIVATE_LIB not in sys.path:
sys.path.insert(0, PRIVATE_LIB)
nest_asyncio.apply()
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex, StorageContext, Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.openai_like import OpenAILike
from llama_index.vector_stores.milvus import MilvusVectorStore
from llama_index.core.node_parser import SentenceSplitter
from llama_index.postprocessor.sbert_rerank import SentenceTransformerRerank
from llama_index.core.schema import QueryBundle
# 2. 路径与参数配置
CONFIG = {
"pdf_path": "/mnt/moark-models/Agentic_RAG/minfadian.pdf",
"embed_path": "/mnt/moark-models/Qwen3-Embedding-8B",
"llm_api_base": "http://localhost:8000/v1",
"rerank_path": "/mnt/moark-models//bge-reranker-v2-m3",
"db_path": "./agentic_civil_code.db",
"threshold": 0.35,
"max_retries": 1,
"rag_device": "cuda:0"
}
def clean_think_tag(text):
"""清理Qwen生成的思考标签，避免干扰后续流程"""
text = str(text).strip()
# 移除 或类似的思考标 签
pattern = re.compile(r'<think>.*?</think>|<思考>.*?</思考>', re.DOTALL | re.IGNORECASE)
cleaned = re.sub(pattern, '', text)
return cleaned.strip()
# ==========================================
# 核心 Agent 逻辑函数
# ==========================================
async def agentic_law_query(user_query, retriever, reranker):
current_query = user_query
attempt = 0
final_nodes = []
while attempt <= CONFIG["max_retries"]:
print(f" └─ [思考] 正在进行第 {attempt+1} 轮法律条款匹配...")
raw_nodes = retriever.retrieve(current_query)
if not raw_nodes:
attempt += 1
continue
ranked_nodes = reranker.postprocess_nodes(
raw_nodes, query_bundle=QueryBundle(current_query)
)
top_score = ranked_nodes[0].score if ranked_nodes else 0
if top_score >= CONFIG["threshold"]:
print(f" └─ [决策] 匹配成功 (置信度: {top_score:.2f})")
# 取前 5 个最相关的法条，增加上下文完整性
final_nodes = ranked_nodes[:5]
break
else:
if attempt < CONFIG["max_retries"]:
print(f" └─ [决策] 相关度不足 ({top_score:.2f})，正在纠错...")
rewrite_prompt = f"请将该法律咨询转化为1个精准的法律术语关键词：{user_query}"
res = await Settings.llm.acomplete(rewrite_prompt)
current_query = clean_think_tag(res.text)
attempt += 1
else:
final_nodes = ranked_nodes[:5]
break
# 组织答复生成
context_str = "\n\n".join([n.get_content() for n in final_nodes])
final_prompt = (
f"依据以下法条：\n{context_str}\n\n"
f"回答问题：{user_query}\n"
f"请进行专业法理分析并给出结论。"
)
response = await Settings.llm.acomplete(final_prompt)
return clean_think_tag(response.text), final_nodes
# ==========================================
# 主程序
# ==========================================
async def main():
print("\n" + "="*60)
print(">>> 正在启动 民法典智能顾问系统...")
print(">>> 正在加载大模型、嵌入模型与重排器，请稍候...")
# 配置 LLM
Settings.llm = OpenAILike(
model="/mnt/moark-models/Qwen3-8B",
api_base=CONFIG["llm_api_base"],
api_key="fake",
is_chat_model=True,
timeout=300.0
)
# 配置 Embedding
Settings.embed_model = HuggingFaceEmbedding(
model_name=CONFIG["embed_path"],
device=CONFIG["rag_device"],
trust_remote_code=True,
embed_batch_size=10
)
# 配置 Reranker
reranker = SentenceTransformerRerank(
model=CONFIG["rerank_path"],
top_n=5, # 增加重排召回数量，确保能拿到完整的法条
device=CONFIG["rag_device"]
)
# ==========================================
# 知识库管理
# ==========================================
db_file = CONFIG["db_path"]
needs_indexing = not os.path.exists(db_file)
if needs_indexing:
print(f">>> [系统] 未检测到知识库文件，模式：重建索引。")
else:
print(f">>> [系统] 检测到知识库文件：{db_file}，模式：加载索引。")
vector_store = MilvusVectorStore(uri=CONFIG["db_path"], dim=4096, overwrite=False)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
if needs_indexing:
print(">>> 正在进行《民法典》知识入库 ...")
try:
documents = SimpleDirectoryReader(input_files=[CONFIG["pdf_path"]]).load_data()
node_parser = SentenceSplitter(chunk_size=1024, chunk_overlap=100)
nodes = node_parser.get_nodes_from_documents(documents)
vector_index = VectorStoreIndex(nodes, storage_context=storage_context, embed_model=Settings.embed_model)
print(">>> [系统] 知识库构建完成 。")
except Exception as e:
print(f">>> [错误] 入库失败: {e}")
if os.path.exists(db_file):
try:
if os.path.isfile(db_file): os.remove(db_file)
else: import shutil; shutil.rmtree(db_file)
except: pass
sys.exit(1)
else:
print(">>> 已检测到现有知识库，正在直接加载...")
print(">>> [提示] 如果发现依据依然不完整，请删除 .db 文件以应用新的大切片配置。")
try:
vector_index = VectorStoreIndex.from_vector_store(
vector_store,
storage_context=storage_context,
embed_model=Settings.embed_model
)
except Exception as e:
print(f">>> [错误] 加载失败: {e}")
sys.exit(1)
# 增加 retriever 的召回数量
retriever = vector_index.as_retriever(similarity_top_k=10)
# 打印欢迎界面
print("\n" + "="*60)
print(" 👋 您好！我叫【罗老师】，是基于 Agentic RAG 技术构建的《民法典》法律助手。")
print(" 我不仅能检索法律条文，还能在理解不到位时自主纠错并重新思考。")
print(" 💡 您可以咨询我任何关于《民法典》的问题，例如：")
print(" - '我被张三家的疯狗追杀，为了躲命把李四家价值十万的古董花瓶撞碎了，李四非要我赔钱，我该不该赔？'")
print(" - '租房子没到期房东想涨房租怎么办？'")
print(" - '吃了上错桌的菜需要付钱吗？'")
print(" 输入 'quit'、'exit' 或 '退出' 即可结束对话。")
print("="*60 + "\n")
while True:
try:
user_input = input("用户 >> ").strip()
if user_input.lower() in ['quit', 'exit', '退出']: break
if not user_input: continue
answer, source_nodes = await agentic_law_query(user_input, retriever, reranker)
print(f"\罗老师回复 >>")
print(f"**法理分析答复：**\n{answer}")
print("\n" + "-"*30 + " 法律依据溯源 " + "-"*30)
if not source_nodes:
print(" [提示] 未能在库中找到高相关的具体条文。")
else:
for i, node in enumerate(source_nodes):
score = node.score if node.score is not None else "N/A"
print(f"\n【证据 {i+1}】(重排置信度: {score:.4f})")
# 输出完整内容，不做任何截断
content = node.get_content().strip()
print(content)
print("-" * 40)
print("\n" + "-" * 74)
except Exception as e:
print(f"\n>>> [交互错误] {e}")
import traceback
traceback.print_exc()
if __name__ == "__main__":
asyncio.run(main()) -
按
Ctrl + S保存文件，并完成文件命名test。再次新建一个终端，输入python test.py，即可进入 Agentic RAG 系统。-
对话系统：
-
顾问答复：
-
依据溯源：
-
四、燧原 (Enflame) 部署指南
本章节适用于 燧原 S60 等燧原系列算力卡。
1. 硬件与基础环境
- 算力型号：燧原 S60 (48GB) * 2
- 算力主机：bd-suiyuan-node：
vLLM / 0.11.0 / Python 3.12 / ef 1.7.0.14
2. 基础步骤
-
进入算力容器，启动实例后，点击 JupyterLab 进入工作台。
3. 实现步骤
3.1 下载 LlamaIndex 与 Milvus Lite 框架
-
创建终端窗口(Terminal)
-
输入代码：
pip install --break-system-packages --target /data/llama_libs --no-deps -i https://mirrors.aliyun.com/pypi/simple/ -U \
"pymilvus==2.6.6" milvus-lite orjson minio pathspec python-dateutil pytz six \
llama-index-core llama-index-readers-file llama-index-llms-openai llama-index-llms-openai-like \
llama-index-embeddings-huggingface llama-index-vector-stores-milvus llama-index-postprocessor-sbert-rerank \
llama-index-instrumentation llama-index-workflows llama-index-utils-workflow \
llama-index-retrievers-bm25 rank-bm25 bm25s PyStemmer \
sentence-transformers pypdf docx2txt nest-asyncio ujson grpcio google-api-core protobuf banks griffe sqlalchemy dataclasses-json marshmallow typing-inspect fsspec filetype deprecated wrapt dirtyjson tenacity jinja2 pyyaml \
pandas numpy nltk tiktoken requests charset-normalizer urllib3 certifi idna sniffio anyio h11 httpcore httpx mypy_extensions typing_extensions scikit-learn scipy joblib threadpoolctl tqdm pyarrow \
ragas langchain-core langchain-openai langsmith requests_toolbelt "numpy<2.0" uuid_utils tenacity regex appdirs instructor docstring_parser langchain_community llama-index-llms-huggingface jsonpatch
pip install --break-system-packages griffe -t /data/llama_libs
pip install --break-system-packages tinytag -t /data/llama_libs
pip install --break-system-packages accelerate -
完成下载后，新建一个新的终端:
3.2 启动 vLLM 推理
-
在新的终端内输入代码：
CUDA_VISIBLE_DEVICES=0 vllm serve /mnt/moark-models/Qwen3-8B --gpu-memory-utilization 0.7 --port 8000 -
当终端提示
INFO： Application startup compete，则完成vLLM启动步骤。
3.3 创建并运行 Python 脚本
-
点击 Python File：
-
输入代码：
import sys, os, asyncio, nest_asyncio, torch, time, re
import pandas as pd
import torch_gcu
from torch_gcu import transfer_to_gcu
# 1. 环境初始化
PRIVATE_LIB = "/data/llama_libs"
if PRIVATE_LIB not in sys.path:
sys.path.insert(0, PRIVATE_LIB)
nest_asyncio.apply()
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex, StorageContext, Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.openai_like import OpenAILike
from llama_index.vector_stores.milvus import MilvusVectorStore
from llama_index.core.node_parser import SentenceSplitter
from llama_index.postprocessor.sbert_rerank import SentenceTransformerRerank
from llama_index.core.schema import QueryBundle
# 2. 路径与参数配置
CONFIG = {
"pdf_path": "/mnt/moark-models/Agentic_RAG/minfadian.pdf",
"embed_path": "/mnt/moark-models/Qwen3-Embedding-8B",
"llm_api_base": "http://localhost:8000/v1",
"rerank_path": "/mnt/moark-models//bge-reranker-v2-m3",
"db_path": "./agentic_civil_code.db",
"threshold": 0.35,
"max_retries": 1,
"rag_device": "cuda:1"
}
def clean_think_tag(text):
"""清理Qwen生成的思考标签，避免干扰后续流程"""
text = str(text).strip()
# 移除 或类似的思考标签
pattern = re.compile(r'<think>.*?</think>|<思考>.*?</思考>', re.DOTALL | re.IGNORECASE)
cleaned = re.sub(pattern, '', text)
return cleaned.strip()
# ==========================================
# 核心 Agent 逻辑函数
# ==========================================
async def agentic_law_query(user_query, retriever, reranker):
current_query = user_query
attempt = 0
final_nodes = []
while attempt <= CONFIG["max_retries"]:
print(f" └─ [思考] 正在进行第 {attempt+1} 轮法律条款匹配...")
raw_nodes = retriever.retrieve(current_query)
if not raw_nodes:
attempt += 1
continue
ranked_nodes = reranker.postprocess_nodes(
raw_nodes, query_bundle=QueryBundle(current_query)
)
top_score = ranked_nodes[0].score if ranked_nodes else 0
if top_score >= CONFIG["threshold"]:
print(f" └─ [决策] 匹配成功 (置信度: {top_score:.2f})")
# 取前 5 个最相关的法条，增加上下文完整性
final_nodes = ranked_nodes[:3]
break
else:
if attempt < CONFIG["max_retries"]:
print(f" └─ [决策] 相关度不足 ({top_score:.2f})，正在纠错...")
rewrite_prompt = f"请将该法律咨询转化为1个精准的法律术语关键词：{user_query}"
res = await Settings.llm.acomplete(rewrite_prompt)
current_query = clean_think_tag(res.text)
attempt += 1
else:
final_nodes = ranked_nodes[:3]
break
# 组织答复生成
context_str = "\n\n".join([n.get_content() for n in final_nodes])
final_prompt = (
f"依据以下法条：\n{context_str}\n\n"
f"回答问题：{user_query}\n"
f"请进行专业法理分析并给出结论。"
)
response = await Settings.llm.acomplete(final_prompt)
return clean_think_tag(response.text), final_nodes
# ==========================================
# 主程序
# ==========================================
async def main():
print("\n" + "="*60)
print(">>> 正在启动【罗老师】民法典智能顾问系统...")
print(">>> 正在加载大模型、嵌入模型与重排器，请稍候...")
# 配置 LLM
Settings.llm = OpenAILike(
model="/mnt/moark-models/Qwen3-8B",
api_base=CONFIG["llm_api_base"],
api_key="fake",
is_chat_model=True,
timeout=300.0
)
# 配置 Embedding
Settings.embed_model = HuggingFaceEmbedding(
model_name=CONFIG["embed_path"],
device=CONFIG["rag_device"],
trust_remote_code=True,
embed_batch_size=20
)
# 配置 Reranker
reranker = SentenceTransformerRerank(
model=CONFIG["rerank_path"],
top_n=5, # 增加重排召回数量，确保能拿到完整的法条
device=CONFIG["rag_device"]
)
# ==========================================
# 知识库管理
# ==========================================
db_file = CONFIG["db_path"]
needs_indexing = not os.path.exists(db_file)
if needs_indexing:
print(f">>> [系统] 未检测到知识库文件，模式：重建索引。")
else:
print(f">>> [系统] 检测到知识库文件：{db_file}，模式：加载索引。")
vector_store = MilvusVectorStore(uri=CONFIG["db_path"], dim=4096, overwrite=False)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
if needs_indexing:
print(">>> 正在进行《民法典》知识入库 (GPU 1)...")
try:
documents = SimpleDirectoryReader(input_files=[CONFIG["pdf_path"]]).load_data()
node_parser = SentenceSplitter(chunk_size=1024, chunk_overlap=100)
nodes = node_parser.get_nodes_from_documents(documents)
vector_index = VectorStoreIndex(nodes, storage_context=storage_context, embed_model=Settings.embed_model)
print(">>> [系统] 知识库构建完成 (已采用大切片模式)。")
except Exception as e:
print(f">>> [错误] 入库失败: {e}")
if os.path.exists(db_file):
try:
if os.path.isfile(db_file): os.remove(db_file)
else: import shutil; shutil.rmtree(db_file)
except: pass
sys.exit(1)
else:
print(">>> 已检测到现有知识库，正在直接加载...")
print(">>> [提示] 如果发现依据依然不完整，请删除 .db 文件以应用新的大切片配置。")
try:
vector_index = VectorStoreIndex.from_vector_store(
vector_store,
storage_context=storage_context,
embed_model=Settings.embed_model
)
except Exception as e:
print(f">>> [错误] 加载失败: {e}")
sys.exit(1)
# 增加 retriever 的召回数量
retriever = vector_index.as_retriever(similarity_top_k=10)
# 打印欢迎界面
print("\n" + "="*60)
print(" 👋 您好！我叫罗老师，是基于 Agentic RAG 技术构建的《民法典》法律助手。")
print(" 我不仅能检索法律条文，还能在理解不到位时自主纠错并重新思考。")
print(" 💡 您可以咨询我任何关于《民法典》的问题，例如：")
print(" - '我被张三家的疯狗追杀，为了躲命把李四家价值十万的古董花瓶撞碎了，李四非要我赔钱，我该不该赔？'")
print(" - '租房子没到期房东想涨房租怎么办？'")
print(" - '吃了上错桌的菜需要付钱吗？'")
print(" 输入 'quit'、'exit' 或 '退出' 即可结束对话。")
print("="*60 + "\n")
while True:
try:
user_input = input("用户 >> ").strip()
if user_input.lower() in ['quit', 'exit', '退出']: break
if not user_input: continue
answer, source_nodes = await agentic_law_query(user_input, retriever, reranker)
print(f"\n顾问回复 >>")
print(f"**法理分析答复：**\n{answer}")
print("\n" + "-"*30 + " 法律依据溯源 " + "-"*30)
if not source_nodes:
print(" [提示] 未能在库中找到高相关的具体条文。")
else:
for i, node in enumerate(source_nodes):
score = node.score if node.score is not None else "N/A"
print(f"\n【证据 {i+1}】(重排置信度: {score:.4f})")
# 输出完整内容，不做任何截断
content = node.get_content().strip()
print(content)
print("-" * 40)
print("\n" + "-" * 74)
except Exception as e:
print(f"\n>>> [交互错误] {e}")
import traceback
traceback.print_exc()
if __name__ == "__main__":
asyncio.run(main()) -
按
Ctrl + S保存文件，并完成文件命名test。再次新建一个终端，输入python test.py，即可进入 Agentic RAG 系统。-
对话系统：
-
顾问答复：
-
依据溯源：
-
五、附录：评估原始数据
本实验通过对比 Modular RAG（单轮检索） 与 Agentic RAG（含 Threshold=0.5 门控的自主纠错循环） 在复杂法律咨询场景下的表现，获取如下实测数据：
表现评价：各项指标表现极其优异。
京公网安备11011502039387号