agent-craft/07_rag_advanced

现在问题：

1. rag代码与博客你已经全部修正完了
2. rag里的readme你还没修
3. langgraph也没修

🧩 模块说明：RAG 进阶 - 从基础到智能 Agent

📌 核心知识点：持久化向量库（Chroma）｜精排序（Reranker）｜RAG 工具化｜Agent 集成｜记忆型对话｜六大模块融合

---

1. war_and_peace.txt （知识库源文件）

托尔斯泰经典小说《战争与和平》的纯文本版本（约3.2MB），作为本篇 RAG 系统的私有知识库。

• 说明：
  • 文件需放置在项目根目录。
  • 若缺失，可从 Project Gutenberg #2600 下载并重命名为 war_and_peace.txt。
  • 所有后续 RAG 功能均基于此文档构建。

---

2. build_index.py （构建 Chroma 向量数据库）

将 war_and_peace.txt 加载、分块、向量化，并存入 Chroma 持久化向量数据库。

• ✅ 掌握点：

  • 使用 RecursiveCharacterTextSplitter 分割长文本（chunk_size=500, overlap=75）。
  • 调用 HuggingFaceEmbeddings（模型：BAAI/bge-small-en-v1.5）生成语义向量。
  • 通过 Chroma(persist_directory=...) 创建可持久化、支持增删改的向量库。
  • 自动分批插入（每批 ≤5000 条），规避 Chroma 单次写入上限限制。

• 注意事项：

  • 该脚本仅需运行一次，成功后会生成目录 chroma_db_war_and_peace_bge_small_en_v1.5。
  • 首次运行需下载 Embedding 模型（约2分钟）+ 向量化全文（约3分钟），总耗时较长。
  • ✅ 项目已附带预建好的 chroma_db_war_and_peace_bge_small_en_v1.5 文件夹，推荐直接使用，无需重复运行此脚本。
  • 如需重建，请先手动删除该目录再执行。

---

3. 01_load_from_chroma.py （从 Chroma 加载向量库）

加载已持久化的 Chroma 向量数据库，用于后续检索。

• ✅ 掌握点：

  • 使用 Chroma(persist_directory="...") 从磁盘加载已保存的向量库。
  • 无需重新向量化，实现“离线索引”快速启动。
  • 获取 db.as_retriever() 作为后续 RAG 流程的输入。

• 依赖前提：

  • 必须存在 chroma_db_war_and_peace_bge_small_en_v1.5 目录。

---

4. 02_reranker.py （引入精排序器）

在召回结果上应用 Reranker 模型，提升上下文相关性。

• ✅ 掌握点：

  • 使用 BAAI/bge-reranker-base Cross-Encoder 对检索结果进行重排序。
  • 通过 ContextualCompressionRetriever 封装为统一检索器。
  • 仅保留 Top-2 最相关文档，过滤语义噪声。

• 依赖前提：

  • 必须存在 chroma_db_war_and_peace_bge_small_en_v1.5 目录。

---

5. 03_rag_as_tool.py （RAG 工具化封装）

将 RAG 链封装为 LangChain @tool，供 Agent 调用。

• ✅ 掌握点：

  • 在启动时一次性构建 RAG 链（避免每次调用重复加载模型/数据库）。
  • 使用 @tool 装饰器注册 search_war_and_peace(query) 函数。
  • 支持与其他工具（如 get_weather）并列使用。

• 依赖前提：

  • 必须存在 chroma_db_war_and_peace_bge_small_en_v1.5 目录。

---

6. 04_memory_rag_agent.py （终极集成 Agent）

首次融合 LangChain 六大核心模块，构建带记忆、能自主决策的智能体。

• ✅ 掌握点：

  • LLM：ChatOpenAI 作为推理引擎。
  • Prompt：含 MessagesPlaceholder("history") 的系统提示。
  • Chain：LCEL 构建的 RAG 链 + AgentExecutor。
  • Memory：RunnableWithMessageHistory 实现跨轮次上下文记忆。
  • Agents：create_tool_calling_agent 驱动 ReAct 循环。
  • RAG：以 search_war_and_peace 工具形式注入私有知识能力。

• 效果：

  • Agent 可结合历史（如“他”指皮埃尔）精准调用 RAG，同时支持查天气等外部工具。

• 依赖前提：

  • 必须存在 chroma_db_war_and_peace_bge_small_en_v1.5 目录。

---

🔔 全局注意事项

• 所有 .py 文件（除 build_index.py 外）均依赖 chroma_db_war_and_peace_bge_small_en_v1.5 目录。
• 推荐直接使用已提供的向量数据库文件夹，跳过 build_index.py 的长时间构建过程。
• 若自行运行 build_index.py，请确保 war_and_peace.txt 已就位。
• 如需更换 Embedding 模型（如升级至 bge-m3），需同步更新 build_index.py 和 RAG 脚本中的模型名。

---

💡 建议：

直接运行 04_memory_rag_agent.py 体验完整 Agent 能力；若想自定义知识库，可替换 war_and_peace.txt 并重新运行 build_index.py（记得先删除旧数据库目录）。