前言

在Day8中，我们已经完成了RAG系统的基础搭建：

• 文档切片

• Embedding向量化

• 向量数据库检索

• 基于知识库的问答

但是在实际使用中，我发现一个问题：

现在的RAG是“被动执行”的，不够智能。

无论用户问什么问题，系统都会去查知识库，这显然是不合理的。

例如：

• “你好” → 也去查知识库

• “123*456” → 也去查知识库

• “密码多久修改？” → 才应该查知识库

因此，今天进入一个更关键的阶段：

让 Agent 学会“判断是否需要使用RAG”。

---

一、为什么需要Agent来控制RAG？

在之前的RAG系统中，流程是固定的：

用户问题
 ↓
向量检索
 ↓
返回结果
 ↓
LLM生成回答

问题在于：

没有“判断步骤”。

而真实的智能系统应该是：

用户问题
 ↓
Agent判断
 ↓
是否需要查询知识库？
        ↓
   是 -------- 否
   ↓            ↓
RAG检索      直接回答
   ↓
LLM生成答案

也就是说：

RAG不应该自动执行，而应该由Agent决定是否调用。

---

二、什么是Agent的“工具选择能力”？

Agent的核心能力之一是：

根据用户问题，自动选择合适的工具。

例如：

用户输入：

123 + 456 等于多少？

Agent判断：

这是计算问题 → 调用 calculator()

用户输入：

公司密码多久修改？

Agent判断：

这是企业知识问题 → 调用 search_knowledge()

用户输入：

你好

Agent判断：

普通对话 → 不调用工具

---

三、引入第二个工具：Calculator

为了让Agent具备“选择能力”，我们新增一个工具：

1. 计算工具

def calculator(expression):
    try:
        return str(eval(expression))
    except:
        return "计算错误"

这个工具的作用是：

处理数学计算任务。

例如：

输入：100 + 200
输出：300

---

2. 当前系统拥有两个工具

现在Agent具备两个能力：

search_knowledge()  → RAG知识库查询
calculator()        → 数学计算

---

四、Tool Calling机制

Agent如何调用工具？

核心流程如下：

用户问题
 ↓
LLM分析
 ↓
返回工具名称
 ↓
Python执行对应函数
 ↓
结果返回LLM
 ↓
生成最终回答

例如：

用户输入：

123 * 456

LLM返回：

{
  "name": "calculator"
}

Python执行：

tools_map["calculator"]("123*456")

---

五、RAG作为Tool接入Agent

我们将RAG封装成工具：

def search_knowledge(question):
    result = search(question)
    return result

这样RAG就变成了：

Agent可以调用的一个能力模块

---

六、Agent工具注册机制

为了让Agent知道有哪些工具，我们定义：

tools = [
    {
        "name": "search_knowledge",
        "description": "查询企业安全知识库"
    },
    {
        "name": "calculator",
        "description": "执行数学计算"
    }
]

同时建立映射关系：

tools_map = {
    "search_knowledge": search_knowledge,
    "calculator": calculator
}

---

七、Agent如何“自主选择工具”？

核心在于：

LLM根据“工具描述”来判断使用哪个工具。

例如：

用户问题：

密码多久修改？

LLM分析：

涉及企业安全规范 → 使用 search_knowledge

用户问题：

100 * 200

LLM分析：

数学计算 → 使用 calculator

用户问题：

你好

LLM分析：

普通对话 → 不使用工具

---

八、完整Agent执行流程

现在系统流程变成：

                用户
                  |
                  ↓
               Agent
                  |
        判断是否需要工具调用
                  |
        ---------------------
        |                   |
     不使用工具         使用工具
        |                   |
      LLM直接回答     Tool Calling
                            |
              -------------------------
              |                       |
     search_knowledge         calculator
              |                       |
           RAG检索              Python计算
              |
              ↓
           向量数据库
              |
              ↓
             LLM
              |
              ↓
           最终回答

---

九、RAG + Agent的本质区别

1. 传统RAG

特点：

• 固定流程

• 必定检索

• 没有判断能力

用户 → 检索 → LLM → 输出

---

2. Agent + RAG

特点：

• 可判断

• 可选择工具

• 可跳过RAG

用户 → Agent → 判断 → Tool / LLM

---

十、实际测试案例

测试1：知识查询

输入：

密码多久修改？

输出：

调用 search_knowledge
普通用户密码需要90天修改一次

---

测试2：数学计算

输入：

123 * 456

输出：

调用 calculator
56088

---

测试3：普通对话

输入：

你好

输出：

你好，有什么可以帮助你？

---

十一、Agent能力升级总结

通过这一节，我们完成了一个关键升级：

从“固定RAG系统”升级为“智能Agent系统”

能力变化如下：

能力	RAG系统	Agent系统
是否自动判断	❌	✅
是否调用工具	固定	动态
是否支持多工具	❌	✅
是否支持跳过检索	❌	✅

---

十二、核心理解（非常重要）

这一节最重要的理解是：

RAG不是Agent，RAG只是Agent的一个工具。

可以这样理解：

Agent = 大脑（负责思考和决策）
RAG = 记忆库（负责提供知识）
Calculator = 计算能力

---

总结

今天我们完成了从：

“只能查知识的RAG系统”

升级到：

“可以自主选择工具的AI Agent”

核心变化是：

• RAG被封装成Tool

• Agent具备判断能力

• 引入多工具系统

• 实现Tool Calling机制