langgraph_adaptive_rag.ipynb

Adaptive RAG: Router wählt je Frage die Strategie (Index-Abruf vs. Websuche) + Selbstkorrektur bei schlechten Treffern.

Für wen: Wissens-Assistenten, die auch Fragen außerhalb der eigenen Dokumente abfangen sollen.

So nutzt du es

Das sind Jupyter-Notebooks: herunterladen, pip install langchain langgraph und in Jupyter/VS Code öffnen. Die Notebooks erklären Schritt für Schritt agentische RAG-Muster zum Nachbauen.

Im Detail

Dieses Notebook zeigt Adaptive RAG mit LangGraph: Ein Router entscheidet pro Frage, ob sie aus dem eigenen Vektorindex beantwortbar ist oder ob eine Websuche nötig ist – und korrigiert sich zusätzlich selbst, wenn Ergebnisse als unzureichend bewertet werden. Das macht Wissens-Assistenten robuster gegen Fragen außerhalb der eigenen Dokumentenbasis, die bei starrem RAG sonst scheitern oder halluzinieren. Als kopiertes Original-Beispiel aus dem langchain-ai/langgraph-Repo ist es eher Referenz- und Lerncode als produktionsfertige Lösung, aber ein guter Ausgangspunkt, um Routing- und Selbstkorrektur-Logik in eigene Systeme zu übernehmen. Setzt Cloud-LLM-Zugang voraus.

Praxis-Tipp

Erst mit wenigen Testfragen durchlaufen lassen, die bewusst außerhalb der eigenen Wissensbasis liegen, um zu prüfen, ob der Router korrekt auf Websuche umschaltet.

Siehe auch

• langgraph_adaptive_rag_local.ipynb
• langgraph_crag.ipynb
• langgraph_self_rag.ipynb

Lizenz & Quelle

• Lizenz: MIT
• Quelle: langchain-ai/langgraph

Lade …