weixin_40143861的博客

本文介绍了如何构建一个基于LangGraph的自主检索代理系统。系统通过大语言模型(LLM)自主决策何时使用文档检索功能，实现了智能化的检索增强生成(RAG)。文章详细展示了三个关键步骤：1)使用WebBaseLoader获取并预处理文档，进行分块处理；2)创建语义检索工具，构建向量存储；3)设计代理节点，包括查询生成、文档评分和结果生成等功能模块。该系统能根据用户问题自动判断是否需要检索，并评估检索结果的相关性，实现了智能化的问答流程。通过代码示例展示了从文档加载到检索工具调用的完整实现过程，为构建自主决

即使是最复杂的模型也受限于其与数据的隔离，特别是当被困在信息孤岛和传统系统之后。所以上下文集成很重要

大家知道人脸识别吗，计算机上的视频（本质也是图⽚）是由数字组成的，因此通过数学计算可以进⾏图像识别。⼈脸识别任务是图像识别的⼦类，图像识别可拆分为图像检测和图像对⽐两个任务：检测图像⾥的⼈脸，实际上是分类问题的⼀种，即图像⾥有没有⼈脸，图像对⽐是指检测出的⼈脸和预先采集的⼈脸的相似程度。

这节我们探讨下如何使用interrupt等待用户输入，虽然前面都有讲过，但是有部分同学还是一知半解，我决定把这一块详细的逻辑整理出来，从头到尾给大家讲述一下。人机交互 (HIL) 交互对于agentic系统至关重要。等待人工输入是一种常见的HIL交互模式，允许agentic询问用户澄清问题并在继续之前等待输入。我们可以使用函数在LangGraph中实现这一点。interrupt允许我们停止图形执行以收集用户的输入，并使用收集的输入继续执行。

我们从上面的例子可以看出，我们已经实现了怎么给agent纠错，我们用的就是LangGraph中的时间检查点遍历的方式。这为我们做自主软件工程AI应用提供了强大灵活的处理方法。

如果设置了标志，将导向到该节点。否则，它让预构建函数选择下一个节点。这里回忆一下，tools_condition函数只是检查响应消息中是否chatbot有任何响应。如果是，它将导向到该节点。否则，它将结束graph`。"chatbot",最后，我们添加简单的边并编译图形。这些边指示图形每当a执行完成时 a -> b。try:pass可以看到chatbot。