agentic

AgenticRAG 检索器

AgenticRAG 代表了 RAG 的最高级形式，其中 LLM 扮演自主智能体（Agent）的角色，它根据自身推理决定何时进行搜索、如何搜索，以及何时获取了足够的信息来提供最终答案。

关键核心能力

1. 自主工具使用 (Autonomous Tool Use)：智能体可以在多种检索工具（如向量搜索、图谱搜索、网页搜索、DocStore 全文搜索等）之间进行选择。
2. 自我修正 (Self-Correction)：如果初始检索结果不满意，智能体可以重新制定计划，尝试不同的检索策略。
3. 多步推理回环 (Multi-hop Reasoning): 参与迭代式循环，不断精炼搜索和最终生成的答案。

核心优化：DocStore 集成

在 Agentic 模式下，DocStore 不仅仅是存储，更是智能体的一项重要技能工具：

• 父文档深度钻取 (PDR)：智能体可以发出“获取该分块完整上下文”的指令，通过 DocStore 调取原文。
• 元数据检索：智能体可以基于 DocStore 存储的丰富元数据（如作者、发布日期等）进行筛选和过滤。

支持的智能体工作流

• CRAG (Corrective RAG): 评估检索质量，在内部数据不足时调用外部网页搜索。
• Self-RAG: 生成响应，并基于检索到的信息对其进行自我批判（Critique）和精炼（Refine）。
• 任务导向型智能体: 为特定检索任务专门设计的智能体。

使用示例

import (
    "github.com/DotNetAge/gorag/pkg/retriever/agentic"
)

retriever := agentic.NewRetriever(
    llm,
    tools, // 包含向量工具、图谱工具及 **DocStore 全文工具**
    // 其他选项...
)