Agent-Frameworks · Foto: m4rlonj, CC BY 2.0
langgraph_adaptive_rag.ipynb
Zuletzt aktualisiert:
Typ
Code-Beispiel
Lizenz
MIT
Quelle
Anwendungsfeld
LangChain / LangGraph
Wissens-Assistenten, die auch Fragen außerhalb der eigenen Dokumente abfangen sollen.
Voraussetzungen
- Zugang zu einem Cloud-LLM (API-Key)
- Eigener Vektorindex mit Dokumenten, den das Notebook abfragen kann
- Grundkenntnisse in Python und Jupyter Notebooks
- Zugriff auf eine Websuche-Anbindung für den Fallback
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.
Im Detail
Adaptive RAG kombiniert Query-Routing mit Selbstkorrektur: Ein LLM entscheidet vorab, ob eine Frage eher aus dem eigenen Vektorindex beantwortbar ist oder eine aktuelle Websuche braucht. Nach dem Abruf werden die Treffer auf Relevanz geprüft; bei schlechter Qualität wird nachgebessert oder die Anfrage umformuliert, statt eine schwach belegte Antwort auszugeben. Das macht die Pipeline robuster als klassisches RAG, das immer nur den eigenen Index durchsucht und bei Wissenslücken halluziniert. Sinnvoll für Wissens-Bots, die nicht nur firmeninterne Dokumente, sondern auch allgemeine oder tagesaktuelle Fragen abdecken sollen. Braucht neben dem LLM zusätzlich einen Websuche-API-Zugang (z. B. Tavily).
Schritt für Schritt
- Öffnen Sie das Notebook und installieren Sie die benötigten Python-Pakete (LangGraph, LangChain).
- Hinterlegen Sie Ihren API-Key für das verwendete LLM.
- Binden Sie Ihren eigenen Vektorindex mit Dokumenten ein, den der Router prüfen soll.
- Gehen Sie Router- und Selbstkorrektur-Knoten durch, um die Entscheidungslogik zu verstehen.
- Testen Sie mit eigenen Fragen sowohl innerhalb als auch außerhalb Ihrer Dokumentenbasis.
- Übernehmen Sie Routing- und Korrektur-Logik als Vorlage in Ihr eigenes Projekt.
Beispiel aus der Praxis
Jemand stellt einem internen Wissens-Assistenten zwei Fragen: eine zu einer Klausel aus dem eigenen Handbuch und eine zu einer aktuellen Nachricht von heute. Der Router erkennt, dass die erste Frage aus dem Vektorindex beantwortbar ist, und ruft die Websuche nur für die zweite auf; liefert der erste Abrufversuch keine passenden Treffer, korrigiert sich das System selbst und sucht erneut nach.
Praxis-Tipp
Testen Sie mit einer Frage klar außerhalb Ihrer Dokumente (z. B. „Wer hat gestern gewonnen?“) — der Router sollte automatisch auf Websuche umschalten.
Stolperfallen
Da es sich um unverändert übernommenen Referenzcode aus dem LangGraph-Repo handelt, fehlt produktionsreife Fehlerbehandlung — testen Sie Grenzfälle wie leere Suchergebnisse vor dem produktiven Einsatz selbst. Jeder Durchlauf verursacht zudem reale Kosten beim Cloud-LLM, was bei intensivem Testen leicht übersehen wird.
Siehe auch
Lizenz & Quelle
- Lizenz: MIT
- Quelle: langchain-ai/langgraph
Inhalt ansehen (langgraph_adaptive_rag.ipynb)
Lade …
Erfahrungen & Kommentare.
Funktioniert der Code-Beispiel bei Ihnen? Tipps, Stolperfallen, Varianten — teilen Sie es mit der Community.
Lade Kommentare …
Passt dazu.
langgraph_agentic_rag.ipynb
Agentic RAG: Ein Agent entscheidet selbst, ob/was er aus dem Vektorindex abruft, statt stur immer zu suchen.
langgraph_adaptive_rag_local.ipynb
Adaptive RAG komplett mit lokalen LLMs (Ollama) — ohne Cloud-API.
langgraph_crag.ipynb
Corrective RAG (CRAG): Abgerufene Dokumente werden bewertet; bei schlechter Qualität wird die Suche korrigiert/ergänzt (Websuche).