LangChain RAG 与 Agent 实践：活动组件 AI 助手实现方案

2. 匹配知识库细节：
   • 分类匹配：优先匹配组件分类标签。
   • Top K 召回：召回 relevant_size 个 top k 结果。
   • 二次筛选：召回数据根据 score 做二次筛选，过滤低置信度结果。

from langchain_community.vectorstores import FAISS
from langchain_core.retrievers import VectorStoreRetriever

retriever = VectorStoreRetriever(vectorstore=vector_store, search_type="similarity_score_threshold", search_kwargs={"score_threshold": 0.7})
relevant_docs = retriever.invoke(structured_query)

3. 业务系统解析： 最终得到结构化业务数据，由后端系统解析并向用户展现内容。

LangChain Agent 实践

实现根据用户需求，自主规划任务和调用工具，查询所需的活动和组件数据。

ReAct Agent 核心流程

ReAct（Reasoning and Acting）模式结合了推理和行动。Agent run 核心流程如下：

1. Thought：思考当前步骤需要做什么。
2. Action：选择工具并执行。
3. Observation：观察工具返回的结果。
4. Final Answer：综合信息给出最终答案。

from langchain.agents import initialize_agent, Tool
from langchain.agents import AgentType
from langchain.chat_models import ChatOpenAI

# 定义工具函数
def get_activity_stats(game_name: str) -> str:
    # 查询数据库逻辑
    return f"{game_name} 的统计数据..."

# 注册工具
tools = [
    Tool(
        name="ActivityStats",
        func=get_activity_stats,
        description="用于查询特定游戏的活动统计数据"
    )
]

# 初始化 Agent
llm = ChatOpenAI(temperature=0)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

# 执行
response = agent.run("最近一周访问量最高的 3 个 x 游戏活动")

模型对比与选型

不同大模型在实现 Agent 时的表现差异明显，理解能力较强的大模型更适合实现复杂的 Agent。

• 模型 A：

  • 耗时较长（50-70s）。
  • 准确性不够高，理解能力稍差（例如将'按 pv 降序'理解为升序）。
  • 适合简单问答场景。

• 模型 B：

  • 性能高（10-20s）。
  • 准确性高，理解能力强。
  • 对 tool_call 方面的微调较好，对调用工具的需求比较敏感，比较适合实现复杂 Agent 的需求。

统一入口架构

最后把 RAG 和 Agent 的能力通过前置 AI 路由统一起来，实现 AI 服务统一入口。前端只需调用一个接口，后端根据意图自动分发至 RAG 模块或 Agent 模块。

总结

本文讲述了采用 LangChain 开发 RAG 和 Agent 应用的思路，分析 AIGC 在组件活动业务中的应用案例：活动组件 AI 助手。

• 应用案例分析：展示了活动组件智能 AI 助手的推荐组件能力及查询历史活动和组件数据的能力。
• 落地核心思路：分别讲述了 RAG 的 LCEL 链构建、向量检索策略，以及 Agent 的 ReAct 规划与工具调用机制。
• 模型评估：对比了不同大模型在实际 Agent 规划中的效果，强调了模型理解能力与工具调用敏感度对复杂任务的重要性。
• 架构演进：介绍了从单一功能到统一 AI 服务入口的架构演进过程。

常见问题与优化建议

1. 检索准确率优化

如果 RAG 检索结果不精准，建议检查向量分块（Chunk Size）策略。对于活动组件文档，建议按'组件属性'进行切分，而非纯文本切分，以提高语义匹配度。

2. Agent 幻觉控制

Agent 可能会产生幻觉，导致调用不存在的工具。建议在 Prompt 中明确限定工具列表，并在代码层面对工具调用参数进行校验（Validation）。

3. 延迟优化

Agent 的多步思考会增加延迟。对于简单查询，可配置路由直接走 RAG 流程；仅当检测到复杂意图时再触发 Agent 流程，以平衡体验与功能。

4. 数据安全

涉及业务数据的查询，务必在 Agent 层增加权限校验中间件，确保 AI 只能访问授权范围内的数据，防止敏感信息泄露。