什么是 ‘Multi-hop Retrieval Loops’：利用 LangGraph 实现跨越 5 个不同向量库的深度关联探索 - 智猿学院-前后端，数据库，人工智能，云计算等领域前沿技术讲座

在当前信息爆炸的时代，如何高效、深度地从海量非结构化数据中提取洞察，是企业和个人面临的巨大挑战。大型语言模型（LLM）以其卓越的理解、生成和推理能力，为这一挑战带来了新的解决方案。然而，尽管LLM能力强大，它们也存在知识时效性、专业领域知识不足以及对复杂、多步骤推理能力有限的局限。

为了弥补这些不足，检索增强生成（Retrieval Augmented Generation, RAG）范式应运而生。RAG通过在LLM生成答案之前，先从外部知识库中检索相关信息，然后将这些信息作为上下文输入给LLM，从而极大地提升了LLM回答的准确性、时效性和专业性。然而，传统的RAG往往局限于单次检索，难以应对那些需要多步逻辑推理、跨越多个信息源才能解决的复杂问题。

这就引出了“Multi-hop Retrieval Loops”——多跳检索循环的概念。它模仿人类在解决复杂问题时的思维过程：将大问题分解为小问题，逐个解决，并将中间结果作为下一步推理的依据，逐步深入、关联信息。要实现这种复杂、有状态、多代理的工作流，我们需要一个强大的编排框架。LangGraph，作为LangChain的扩展，正是为此而生。它允许我们以图（Graph）的形式定义复杂的LLM工作流，实现节点之间的状态流转、条件判断和工具调用，完美契合了多跳检索的需求。

本文将深入探讨“Multi-hop Retrieval Loops”的原理，并详细演示如何利用LangGraph，实现跨越5个不同向量库的深度关联探索。我们将从RAG的局限性出发，逐步介绍LangGraph的核心概念，构建一个多维度的知识库环境，并通过具体的代码实现和案例分析，揭示多跳检索在复杂信息探索中的巨大价值。

RAG的演进：从单跳到多跳的必然

单跳RAG的机制与局限

传统的RAG机制相对直观：用户提出查询后，系统会直接在预先构建好的向量知识库中检索与查询最相关的若干文档片段，然后将这些检索到的文档与用户查询一同作为上下文输入给LLM，由LLM生成最终答案。

这种单跳RAG的优势在于其简单、直接，能够有效地解决LLM知识盲区和幻觉问题。然而，面对日益复杂的现实世界问题，其局限性也日益凸显：

复杂推理不足：许多问题并非能通过一次简单的信息查找就能解决。例如，“公司A在当前市场趋势下，其产品B面临的主要竞争对手是谁？以及可能存在的法律风险？”这样的问题，需要先了解产品B，再查询市场趋势，然后识别竞争对手，最后探索法律法规，才能形成全面的答案。单跳RAG难以处理这种多步逻辑推理。
信息孤岛：当解决一个问题所需的关键信息分散在多个独立、主题各异的知识库中时（例如产品说明、市场报告、法律文档），单跳检索往往只能触及其中一个片段，无法有效地聚合来自不同源头的信息。
查询歧义与模糊：初始的用户查询可能过于宽泛或模糊，需要LLM通过中间步骤进行澄清、细化，或者基于初步检索结果生成新的、更精确的子查询。单跳RAG缺乏这种动态调整查询的能力。
事实交叉验证困难：在需要从多个角度验证事实或观点时，单跳RAG无法主动在不同信息源之间进行比较和核对。

多跳检索的核心理念

多跳检索，顾名思义，是指在一个查询的解决过程中，智能体需要执行多步操作，每一步的输出都可能作为下一步的输入，形成一个迭代的循环。它的核心理念在于模拟人类解决复杂问题的思维模式：

问题分解：将一个宏观、复杂的问题分解为一系列相互关联的、可逐步解决的子问题。
迭代与反馈：智能体在每一步执行检索、工具调用等操作，并将获得的结果反馈给决策中心（通常是LLM）。LLM根据这些中间结果进行反思，调整策略，决定下一步要采取的行动。
跨源关联：智能体不再局限于单一知识库，而是能够动态地选择和利用多个不同的信息源，主动在它们之间建立联系，从而实现更深层次的“深度关联探索”。
动态适应：多跳检索的路径不是预设的固定流程，而是根据实时的检索结果和LLM的判断动态调整。这使得智能体能够更灵活地应对各种不确定性。

通过这种迭代、反馈和动态决策的机制，多跳检索能够有效地克服单跳RAG的局限，处理更复杂的查询，聚合多源信息，并最终提供更全面、深入、准确的答案。

LangGraph：构建智能体工作流的利器

要实现多跳检索的复杂逻辑，我们需要一个强大的框架来编排LLM的调用、工具的使用以及状态的管理。LangGraph正是为此而生，它提供了一种基于图（Graph）的编程模型，使得构建有状态、多代理、复杂LLM工作流变得直观且高效。

什么是LangGraph？

LangGraph是LangChain生态系统中的一个高级库，它专注于构建能够进行多步推理、使用工具并维护内部状态的LLM驱动的应用程序。它将Agentic工作流抽象为图结构，允许开发者定义一系列节点（Nodes）和连接这些节点的边（Edges），从而清晰地描绘出智能体在解决问题时的决策路径和信息流转。

核心组件

LangGraph的核心在于其图结构，以及构成图的几个关键组件：

Graph（图）：工作流的整体抽象，由节点和边组成。它定义了智能体在不同状态之间转换的路径。
Nodes（节点）：图中的基本执行单元。每个节点都代表工作流中的一个具体步骤或一个智能体（Agent）。
- Agent Node（代理节点）：通常是一个LLM驱动的节点，负责接收当前状态，进行思考、规划，决定下一步采取什么行动。这包括决定是否使用工具，使用哪个工具，以及何时生成最终答案。它充当了工作流的“大脑”。
- Tool Node（工具节点）：负责执行LLM在Agent Node中决策调用的外部工具（如检索器、API调用、计算器等）。它接收工具调用的参数，执行工具功能，并将结果返回。
- 其他节点类型：还可以有数据处理节点、条件判断节点等，用于执行特定的逻辑。
Edges（边）：连接节点，定义了工作流的流转路径。
- Standard Edges（标准边）：无条件地将一个节点的输出传递给另一个节点，形成顺序执行流。
- Conditional Edges（条件边）：根据前一个节点的输出或当前的全局状态，动态地决定工作流将跳转到哪个后续节点。这是实现多跳逻辑和动态决策的关键。
State（状态）：在整个图执行过程中共享和更新的数据。LangGraph的图是有状态的，这意味着智能体可以“记住”过去的交互、工具执行结果、中间推理步骤等信息。状态通常是一个TypedDict或Pydantic模型，可以包含消息历史（messages）、工具输出、中间推理结果等。
Tools（工具）：LLM可以调用的外部函数或API。这些工具是智能体与外部世界交互、获取信息或执行操作的手段。在多跳检索中，每个向量库的检索器都可以被封装成一个独立的工具。

LangGraph的优势

LangGraph提供了一系列优势，使其成为构建复杂Agentic工作流的理想选择：

有状态性：通过显式的AgentState管理，智能体能够记住整个交互历史和中间结果，这对于多轮对话和复杂的多跳推理至关重要。
图结构可视化：图的编程模型使得工作流的逻辑清晰可见，易于设计、理解和调试。复杂的决策路径和信息流转可以直观地表示。
灵活性与可扩展性：开发者可以高度定制节点和边的行为，轻松集成各种LLM、工具和自定义逻辑，以适应不同的应用场景。
可观测性：LangGraph提供了良好的可观测性，可以追踪每一步的执行路径、状态变化和LLM的决策过程，这对于调试和优化复杂工作流非常有帮助。
迭代与反馈循环：天然支持通过条件边和状态更新实现迭代的反馈循环，使得智能体能够根据实时信息调整其行为，这是多跳检索的核心。

环境准备：构建多维度向量知识库

为了充分演示“Multi-hop Retrieval Loops”在深度关联探索中的能力，我们需要构建一个包含多个独立、主题各异的向量知识库的环境。这将模拟企业中分散在不同部门、系统中的多样化信息。

技术栈选择

嵌入模型：我们选择HuggingFaceEmbeddings中的BAAI/bge-small-en-v1.5模型。这是一个在MTEB基准测试中表现优秀且相对轻量级的模型，便于本地运行和演示。
向量数据库：为了简化环境部署并保持代码的通用性，我们使用FAISS。FAISS是一个高效的CPU向量搜索库，可以轻松在内存中创建和管理多个独立的向量存储，非常适合本次的模拟场景。
数据源：为了突出不同知识库的主题差异，我们将手动构造一些模拟数据，确保每个库都有其独特的语义内容。

数据与知识库设计

我们设计了5个具有不同核心主题的知识库，它们可能在实际的商业场景中分别对应公司的不同数据源，例如产品文档、市场研究报告、竞争情报、技术研发资料和法律合规文件。

知识库名称	核心主题	示例内容片段	模拟文件或数据来源
`产品信息库`	公司产品特性、规格、优势	“新一代AI芯片A100，采用7nm工艺，算力提升30%，功耗降低15%。主要应用于数据中心和高性能计算。边缘AI设备专用的B20芯片，低功耗设计，支持本地推理，适用于智能家居和工业物联网。软件套件FusionX，提供一站式AI模型开发、部署与管理平台，兼容主流深度学习框架。”	`product_data.txt`
`市场报告库`	行业趋势、市场分析、竞争格局	“2023年AI芯片市场规模达到500亿美元，预计未来五年复合增长率将超过20%。其中，数据中心AI芯片市场占据主导地位。边缘计算市场对低功耗AI芯片的需求激增，预计到2025年将占据AI芯片市场20%的份额。全球半导体供应链面临挑战。”	`market_report.txt`
`竞争对手库`	竞争对手产品、策略、市场份额	“竞争对手B的旗舰AI芯片S200，在图像识别和自然语言处理领域性能卓越，但其功耗较高，主要面向高端服务器市场。初创公司C推出了一款基于量子计算原理的AI加速器原型，潜力巨大。传统芯片巨头Intel和NVIDIA在AI芯片领域持续投入。”	`competitor_data.txt`
`技术论文库`	研发进展、算法原理、专利	“Transformer架构在自然语言处理中取得了革命性突破，是当前LLM的基础。联邦学习允许在不共享原始数据的情况下训练模型，解决了数据隐私问题。强化学习在机器人控制和游戏AI中展现出强大能力。图神经网络（GNN）在处理非结构化数据方面显示出巨大潜力。”	`tech_papers.txt`
`法律法规库`	合规性、隐私政策、行业标准	“欧盟通用数据保护条例（GDPR）要求企业在处理个人数据时必须获得用户明确同意。美国出口管制条例对高性能计算芯片的出口有严格限制。各国政府正在制定针对AI伦理和安全性的法律框架，例如欧盟的AI法案草案。中国网络安全法和数据安全法对数据存储、传输有明确规定。”	`legal_docs.txt`

实现代码：创建模拟向量数据库及工具

首先，我们需要导入必要的库，并初始化嵌入模型。然后，为每个知识库准备数据，创建Document对象，并使用FAISS构建向量数据库。最后，将这些向量数据库封装成LangChain的Retriever，并进一步将其转换为LLM可调用的Tool。

import os
from typing import TypedDict, Annotated, List, Union
from langchain_core.agents import AgentAction, AgentFinish, AgentStep
from langchain_core.messages import BaseMessage, FunctionMessage, HumanMessage, AIMessage, ToolMessage
from langchain_core.runnables import RunnablePassthrough
from langchain_core.tools import Tool
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolExecutor

from langchain_openai import ChatOpenAI
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_core.documents import Document

# 假定OpenAI API key已设置在环境变量中，例如：
# export OPENAI_API_KEY="sk-..."
llm = ChatOpenAI(model="gpt-4o", temperature=0) # 使用gpt-4o以获得更强的推理和工具调用能力

# 1. 初始化嵌入模型
# 使用一个相对较小的模型，便于本地下载和运行
embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-small-en-v1.5")

# 2. 定义模拟数据
# 这些数据将用于构建我们的五个向量库
db_data = {
    "产品信息库": [
        "新一代AI芯片A100，采用7nm工艺，算力提升30%，功耗降低15%。主要应用于数据中心和高性能计算。",
        "边缘AI设备专用的B20芯片，低功耗设计，支持本地推理，适用于智能家居和工业物联网。",
        "软件套件FusionX，提供一站式AI模型开发、部署与管理平台，兼容主流深度学习框架。",
        "公司A的产品线还包括AI赋能的智能传感器和视觉处理单元，广泛应用于安防和工业自动化。"
    ],
    "市场报告库": [
        "2023年AI芯片市场规模达到500亿美元，预计未来五年复合增长率将超过20%。其中，数据中心AI芯片市场占据主导地位。",
        "边缘计算市场对低功耗AI芯片的需求激增，预计到2025年将占据AI芯片市场20%的份额。尤其在智能制造和自动驾驶领域。",
        "全球半导体供应链面临挑战，原材料成本波动和地缘政治因素影响产能，导致芯片价格上涨。",
        "AI软件平台市场也在快速增长，企业对易用性、集成度高的MaaS（模型即服务）平台需求旺盛。"
    ],
    "竞争对手库": [
        "竞争对手B的旗舰AI芯片S200，在图像识别和自然语言处理领域性能卓越，但其功耗较高，主要面向高端服务器市场。",
        "初创公司C推出了一款基于量子计算原理的AI加速器原型，虽然仍处于早期阶段，但潜力巨大，目标是突破传统计算瓶颈。",
        "传统芯片巨头Intel和NVIDIA在AI芯片领域持续投入，通过强大的生态系统（CUDA, OpenVINO）和广泛的客户基础巩固市场地位。",
        "中国本土AI芯片厂商如华为昇腾、寒武纪等，在特定应用场景和国内市场具有显著竞争力，尤其在边缘侧AI部署方面。"
    ],
    "技术论文库": [
        "Transformer架构在自然语言处理中取得了革命性突破，是当前LLM的基础，其自注意力机制是核心。",
        "联邦学习允许在不共享原始数据的情况下训练模型，解决了数据隐私问题，尤其适用于医疗和金融领域。",
        "强化学习在机器人控制和游戏AI中展现出强大能力，通过与环境交互学习最优策略。",
        "图神经网络（GNN）在处理非结构化数据和关系推理方面显示出巨大潜力，可用于社交网络分析和推荐系统。"
    ],
    "法律法规库": [
        "欧盟通用数据保护条例（GDPR）要求企业在处理个人数据时必须获得用户明确同意，并提供数据可携权。",
        "美国出口管制条例对高性能计算芯片的出口有严格限制，旨在保护国家安全和技术领先地位。",
        "各国政府正在制定针对AI伦理和安全性的法律框架，例如欧盟的AI法案草案，强调AI系统的透明度、可解释性和安全性。",
        "中国网络安全法和数据安全法对数据存储、传输和跨境流动有明确规定，企业需严格遵守。"
    ]
}

# 3. 创建并存储向量数据库及其检索器
vectorstores = {}
retrievers = {}

print("正在创建向量数据库...")
for db_name, texts in db_data.items():
    documents = [Document(page_content=text, metadata={"source": db_name}) for text in texts]
    vectorstore = FAISS.from_documents(documents, embeddings)
    vectorstores[db_name] = vectorstore
    retrievers[db_name] = vectorstore.as_retriever(search_kwargs={"k": 3}) # 每个检索器返回3个最相关的文档
    print(f"  - 成功创建 '{db_name}' 向量库。")
print("所有向量数据库创建完成。n")

# 4. 定义工具
# 为每个向量库创建一个独立的LangChain Tool，供LLM调用
tools = []
for db_name, retriever_obj in retrievers.items():
    # 使用闭包确保每个lambda函数捕获到正确的retriever实例
    def create_retrieval_func(retriever_instance):
        return lambda query: "n".join([doc.page_content for doc in retriever_instance.invoke(query)])

    tool_name = f"retrieve_from_{db_name.replace(' ', '_')}"
    tool_description = f"用于从'{db_name}'中检索关于{db_name}相关信息。例如，如果查询是关于{db_name}的内容，请使用此工具。"
    tools.append(
        Tool(
            name=tool_name,
            func=create_retrieval_func(retriever_obj),
            description=tool_description
        )
    )

print("已为每个向量库定义了检索工具：")
for t in tools:
    print(f"  - 工具名称: {t.name}n    描述: {t.description}n")

LangGraph实现多跳检索循环

现在我们已经准备好了LLM、嵌入模型、多个向量数据库和相应的检索工具，接下来我们将利用LangGraph构建多跳检索循环。

AgentState定义

AgentState是LangGraph中用于在节点之间传递和更新状态的核心。它通常是一个TypedDict，包含LLM对话历史、工具执行结果等关键信息。

# 5. 定义AgentState
# messages: 存储LLM和用户之间的所有消息，以及工具的调用和结果
class AgentState(TypedDict):
    messages: Annotated[List[BaseMessage], lambda x, y: x + y] # Annotated用于合并新旧消息列表

ToolExecutor 初始化

ToolExecutor是LangChain提供的一个实用类，它能够根据LLM返回的ToolCall信息，方便地执行对应的工具。

# ToolExecutor：用于执行LLM选择的工具
tool_executor = ToolExecutor(tools)

Agent Node（代理节点）

agent_node是智能体的“大脑”。它接收当前的状态（主要是消息历史），调用LLM进行思考和决策。LLM会根据其内部逻辑和提示词，决定是继续使用工具获取更多信息，还是已经收集到足够的信息并可以生成最终答案。

# Agent Node：LLM决策节点
def agent_node(state: AgentState):
    messages = state["messages"]

    # 构建LLM的系统提示，指导其行为。这是提示词工程的关键。
    system_prompt_content = (
        "你是一个深度关联探索专家。你的任务是根据用户的查询，利用你拥有的多种检索工具（产品信息库、市场报告库、竞争对手库、技术论文库、法律法规库）来逐步深入探索信息。"
        "当你需要更多信息时，选择最合适的工具并提供精确的查询参数。你的目标是全面、准确地回答用户的问题。"
        "思考过程要清晰：首先分析用户问题，判断是否需要工具。如果需要，说明为什么要使用该工具以及你期望得到什么信息。"
        "使用工具后，分析工具返回的结果，判断是否足以回答问题，或者是否需要进一步使用其他工具进行关联探索。"
        "当你认为已经收集到足够的信息，并可以生成最终答案时，直接生成答案。不要一步到位，也不要重复使用工具获取相同信息。"
        "请确保你的回答是基于检索到的信息，并引用相关信息源。"
        "可用工具列表：" + "n".join([f"- {t.name}: {t.description}" for t in tools])
    )

    # 将系统提示添加到消息历史中，确保LLM始终记住其角色和目标
    # 注意：这里采取了一种简化的方式，将System Prompt作为HumanMessage的一部分。
    # 更严谨的做法是在LLM模型配置中设置SystemMessage。
    # 但对于LangGraph的Agent，通常Agent的LLM会直接接收所有消息。

    # 绑定工具到LLM，让LLM知道它可以使用哪些工具
    llm_with_tools = llm.bind_tools(tools)

    # 调用LLM进行推理
    # LLM会根据messages和system_prompt_content生成一个AIMessage，
    # 其中可能包含tool_calls（如果LLM决定使用工具）或最终答案。
    response = llm_with_tools.invoke(messages + [HumanMessage(content=system_prompt_content)])

    # 返回更新后的状态，将LLM的响应添加到消息历史中
    return {"messages": [response]}

Tool Node（工具节点）

tool_node负责执行agent_node中LLM决策调用的工具。它从LLM的响应中解析出工具调用信息（工具名称和参数），然后使用ToolExecutor执行这些工具，并将工具的输出封装成ToolMessage返回给agent_node，供LLM进行下一步思考。

# Tool Node：工具执行节点
def tool_node(state: AgentState):
    messages = state["messages"]
    last_message = messages[-1] # 获取LLM的最新响应

    # 检查LLM的响应是否包含了工具调用
    if not isinstance(last_message, AIMessage) or not last_message.tool_calls:
        # 如果没有工具调用，说明Agent Node的输出不符合预期，可能是逻辑错误或LLM没有按预期响应
        print(f"警告: tool_node 收到一个没有工具调用的消息: {last_message}")
        # 返回一个错误消息，让Agent Node有机会处理
        return {"messages": [ToolMessage(content="错误：没有检测到有效的工具调用。", tool_call_id="error_id")]}

    tool_outputs = []
    for tool_call in last_message.tool_calls:
        tool_name = tool_call['name']
        tool_input = tool_call['args']

        try:
            # 使用ToolExecutor执行工具调用
            tool_result = tool_executor.invoke(tool_call)
            # 将工具执行结果封装成ToolMessage，并关联到原始的tool_call_id
            tool_outputs.append(ToolMessage(content=str(tool_result), tool_call_id=tool_call['id']))
        except Exception as e:
            error_message = f"执行工具 '{tool_name}' 失败，输入为 '{tool_input}'。错误信息: {e}"
            print(error_message)
            tool_outputs.append(ToolMessage(content=error_message, tool_call_id=tool_call['id']))

    return {"messages": tool_outputs}

定义图结构与流转逻辑

现在，我们将Agent Node和Tool Node组合起来，定义LangGraph的图结构，包括节点、入口点、条件边和普通边。

# 定义图
workflow = StateGraph(AgentState)

# 添加节点到图中
workflow.add_node("agent", agent_node)
workflow.add_node("tool", tool_node)

# 设置图的入口点：所有查询都从agent节点开始
workflow.set_entry_point("agent")

# 定义条件边：根据agent节点的输出决定下一步去向
def should_continue(state: AgentState):
    messages = state["messages"]
    last_message = messages[-1]

    # 如果LLM的最新消息包含工具调用，则意味着需要执行工具
    if isinstance(last_message, AIMessage) and last_message.tool_calls:
        return "continue_tools"
    # 如果LLM的最新消息是AIMessage但没有工具调用，则意味着LLM认为问题已解决，可以给出最终答案
    elif isinstance(last_message, AIMessage) and not last_message.tool_calls:
        return "end"
    # 理论上不会出现，但作为安全措施，如果不是上述两种情况，回到agent重新思考
    return "continue_agent" 

workflow.add_conditional_edges(
    "agent",                 # 从'agent'节点出发
    should_continue,         # 使用should_continue函数作为条件判断
    {
        "continue_tools": "tool", # 如果条件函数返回"continue_tools"，则跳转到'tool'节点
        "end": END,               # 如果条件函数返回"end"，则结束图的执行
        "continue_agent": "agent" # 如果条件函数返回"continue_agent"，则回到'agent'节点（通常用于错误处理或重试）
    }
)

# 定义普通边：工具执行完成后，总是返回给agent节点，让LLM处理工具的输出并决定下一步
workflow.add_edge("tool", "agent")

# 编译图：准备执行
app = workflow.compile()

# 辅助函数：打印流式输出，以便更好地观察Agent的每一步执行
def print_stream(stream):
    for s in stream:
        if "__end__" in s:
            final_message = s['__end__']['messages'][-1]
            if isinstance(final_message, AIMessage):
                print(f"n--- 最终答案 ---")
                print(final_message.content)
            else:
                print(f"n--- 流程结束，但最终消息类型不符 ---")
                print(final_message)
        elif "agent" in s:
            # 打印Agent的思考过程（如果LLM以AIMessage形式给出思考）
            agent_response = s['agent']['messages'][-1]
            if isinstance(agent_response, AIMessage):
                print(f"n--- Agent 思考/决策 ---")
                # 打印LLM的思考内容，这里假设LLM会输出一些思考过程，或者直接是工具调用。
                # 由于gpt-4o的tool_calls是单独的字段，这里不再试图从content中解析。
                if agent_response.tool_calls:
                    print(f"决定调用工具：{agent_response.tool_calls}")
                else:
                    print(f"思考结果：{agent_response.content}")
        elif "tool" in s:
            # 打印Tool的执行结果
            tool_response = s['tool']['messages'][-1]
            if isinstance(tool_response, ToolMessage):
                print(f"n--- Tool 执行结果 ({tool_response.name if tool_response.name else 'unknown'}) ---")
                print(tool_response.content[:200] + "..." if len(tool_response.content) > 200 else tool_response.content) # 打印部分内容以防过长
            else:
                print(f"n--- Tool 节点输出 ---")
                print(tool_response)
        # else:
        #     print(s) # 打印所有状态变化，用于更详细的调试

深度关联探索的案例分析

现在，我们通过几个具体的案例来演示这个多跳检索循环是如何实现深度关联探索的。我们将观察LLM如何通过迭代地调用不同的工具，逐步聚合信息，最终回答复杂的问题。

案例1：产品、市场与竞争对手分析

用户查询：“公司A的AI芯片A100在边缘计算市场面临哪些挑战？主要竞争对手是谁？以及全球AI芯片市场规模如何？”

预期流程分析：

初始阶段 (Agent Node)：LLM接收到用户查询。它识别出“AI芯片A100”、“边缘计算市场”、“竞争对手”和“市场规模”等关键词，并判断需要从多个维度获取信息。
- 决策：首先，LLM会认为需要了解“AI芯片A100”本身的信息，因此决定调用retrieve_from_产品信息库。
- LLM输出：AIMessage(tool_calls=[{'name': 'retrieve_from_产品信息库', 'args': {'query': '公司A的AI芯片A100'}}])
工具执行 (Tool Node)：tool_node执行retrieve_from_产品信息库工具。
- 工具输出：检索到“新一代AI芯片A100，采用7nm工艺，算力提升30%，功耗降低15%。主要应用于数据中心和高性能计算。”
- ToolMessage：ToolMessage(content='...', tool_call_id='...')
反馈与再决策 (Agent Node)：LLM接收到A100的信息。它注意到A100“主要应用于数据中心和高性能计算”，这与查询中的“边缘计算市场”存在语义上的不匹配。LLM意识到需要进一步探索边缘计算市场本身。
- 决策：LLM决定调用retrieve_from_市场报告库来了解“边缘计算市场”和“全球AI芯片市场规模”。
- LLM输出：AIMessage(tool_calls=[{'name': 'retrieve_from_市场报告库', 'args': {'query': '边缘计算市场规模和全球AI芯片市场规模'}}])
工具执行 (Tool Node)：tool_node执行retrieve_from_市场报告库工具。
- 工具输出：检索到“2023年AI芯片市场规模达到500亿美元，预计未来五年复合增长率将超过20%。其中，数据中心AI芯片市场占据主导地位。边缘计算市场对低功耗AI芯片的需求激增，预计到2025年将占据AI芯片市场20%的份额。”
- ToolMessage：ToolMessage(content='...', tool_call_id='...')
反馈与再决策 (Agent Node)：LLM接收到市场报告信息。它现在知道了A100的定位（数据中心），以及边缘计算市场的特点（需求低功耗芯片）。LLM意识到A100在边缘计算市场可能面临挑战，并需要查找竞争对手。
- 决策：LLM决定调用retrieve_from_竞争对手库来查找“边缘计算AI芯片领域的竞争对手”。
- LLM输出：AIMessage(tool_calls=[{'name': 'retrieve_from_竞争对手库', 'args': {'query': '边缘计算AI芯片竞争对手'}}])
工具执行 (Tool Node)：tool_node执行retrieve_from_竞争对手库工具。
- 工具输出：检索到“竞争对手B的旗舰AI芯片S200，在图像识别和自然语言处理领域性能卓越，但其功耗较高，主要面向高端服务器市场。初创公司C推出了一款基于量子计算原理的AI加速器原型。传统芯片巨头Intel和NVIDIA在AI芯片领域持续投入。”（虽然不是直接针对边缘计算，但LLM会将其纳入考虑）
- ToolMessage：ToolMessage(content='...', tool_call_id='...')
最终答案生成 (Agent Node)：LLM整合所有信息：A100主要针对数据中心，在边缘计算市场可能因功耗和特定功能（如低功耗）面临挑战。边缘计算市场需求旺盛，预计占AI芯片市场20%。主要竞争对手包括传统巨头Intel/NVIDIA以及专注于特定领域（如图像识别）的厂商B。
- 决策：LLM认为所有问题都已解决，生成最终答案。
- LLM输出：AIMessage(content='...')

print("--- 案例1: 产品、市场与竞争对手分析 ---")
query1 = "公司A的AI芯片A100在边缘计算市场面临哪些挑战？主要竞争对手是谁？以及全球AI芯片市场规模如何？"
print(f"用户查询: {query1}n")
inputs1 = {"messages": [HumanMessage(content=query1)]}
print_stream(app.stream(inputs1))

案例2：技术趋势与法律合规风险

用户查询：“当前AI芯片领域的主要技术趋势是什么？在开发基于联邦学习的AI产品时，可能面临哪些法律合规风险？”

预期流程分析：

初始阶段 (Agent Node)：LLM接收查询，识别出“AI芯片技术趋势”和“联邦学习”、“法律合规风险”等关键词。
- 决策：首先需要了解技术趋势，决定调用retrieve_from_技术论文库。
- LLM输出：AIMessage(tool_calls=[{'name': 'retrieve_from_技术论文库', 'args': {'query': 'AI芯片领域的主要技术趋势'}}])
工具执行 (Tool Node)：tool_node执行retrieve_from_技术论文库。
- 工具输出：检索到“Transformer架构在自然语言处理中取得了革命性突破…联邦学习允许在不共享原始数据的情况下训练模型…强化学习在机器人控制和游戏AI中展现出强大能力…图神经网络（GNN）在处理非结构化数据方面显示出巨大潜力。”
- ToolMessage：ToolMessage(content='...', tool_call_id='...')
反馈与再决策 (Agent Node)：LLM接收到技术趋势信息。它识别出“联邦学习”是其中一个重要趋势，并将其与查询中的“法律合规风险”关联起来。
- 决策：LLM决定调用retrieve_from_法律法规库来查找“联邦学习相关的法律合规风险”。
- LLM输出：AIMessage(tool_calls=[{'name': 'retrieve_from_法律法规库', 'args': {'query': '联邦学习相关的法律合规风险'}}])
工具执行 (Tool Node)：tool_node执行retrieve_from_法律法规库。
- 工具输出：检索到“欧盟通用数据保护条例（GDPR）要求企业在处理个人数据时必须获得用户明确同意…中国网络安全法和数据安全法对数据存储、传输和跨境流动有明确规定…”
- ToolMessage：ToolMessage(content='...', tool_call_id='...')
最终答案生成 (Agent Node)：LLM整合所有信息，生成最终答案。
- 决策：LLM认为所有问题已解决。
- LLM输出：AIMessage(content='...')

print("n" + "="*80 + "n")
print("--- 案例2: 技术趋势与法律合规风险 ---")
query2 = "当前AI芯片领域的主要技术趋势是什么？在开发基于联邦学习的AI产品时，可能面临哪些法律合规风险？"
print(f"用户查询: {query2}n")
inputs2 = {"messages": [HumanMessage(content=query2)]}
print_stream(app.stream(inputs2))

案例3：跨领域融合：公司产品与市场挑战中的技术支撑

用户查询：“公司A的FusionX软件套件如何帮助客户应对AI芯片市场中的供应链挑战？并指出其中可能涉及的技术原理。”

预期流程分析：

初始阶段 (Agent Node)：LLM接收查询，识别出“FusionX软件套件”、“AI芯片市场”、“供应链挑战”和“技术原理”等关键词。
- 决策：首先需要了解FusionX套件的信息。调用retrieve_from_产品信息库。
- LLM输出：AIMessage(tool_calls=[{'name': 'retrieve_from_产品信息库', 'args': {'query': '公司A的FusionX软件套件'}}])
工具执行 (Tool Node)：tool_node执行retrieve_from_产品信息库。
- 工具输出：检索到“软件套件FusionX，提供一站式AI模型开发、部署与管理平台，兼容主流深度学习框架。”
- ToolMessage：ToolMessage(content='...', tool_call_id='...')
反馈与再决策 (Agent Node)：LLM接收FusionX信息。它了解到FusionX是AI模型开发、部署和管理平台。现在需要将它与“AI芯片市场中的供应链挑战”关联起来，并寻找技术原理。
- 决策：LLM决定调用retrieve_from_市场报告库来了解“AI芯片市场供应链挑战”。
- LLM输出：AIMessage(tool_calls=[{'name': 'retrieve_from_市场报告库', 'args': {'query': 'AI芯片市场供应链挑战'}}])
工具执行 (Tool Node)：tool_node执行retrieve_from_市场报告库。
- 工具输出：检索到“全球半导体供应链面临挑战，原材料成本波动和地缘政治因素影响产能，导致芯片价格上涨。”
- ToolMessage：ToolMessage(content='...', tool_call_id='...')
反馈与再决策 (Agent Node)：LLM现在有了FusionX的功能和供应链挑战的信息。它需要思考FusionX如何缓解这些挑战，并挖掘可能的技术原理。FusionX作为管理平台，可能通过优化模型部署来间接应对供应链问题。LLM可能会尝试寻找更深层的技术联系。
- 决策：LLM决定调用retrieve_from_技术论文库，寻找与“AI模型部署

RAG的演进：从单跳到多跳的必然

单跳RAG的机制与局限

多跳检索的核心理念

LangGraph：构建智能体工作流的利器

什么是LangGraph？

核心组件

LangGraph的优势

环境准备：构建多维度向量知识库

技术栈选择

数据与知识库设计

实现代码：创建模拟向量数据库及工具

LangGraph实现多跳检索循环

AgentState定义

ToolExecutor 初始化

Agent Node（代理节点）

Tool Node（工具节点）

定义图结构与流转逻辑

深度关联探索的案例分析

案例1：产品、市场与竞争对手分析

案例2：技术趋势与法律合规风险

案例3：跨领域融合：公司产品与市场挑战中的技术支撑

发表回复 取消回复

发表回复取消回复