langgraph_agentic_rag.ipynb

Agentic RAG: Ein Agent entscheidet selbst, ob/was er aus dem Vektorindex abruft, statt stur immer zu suchen.

Für wen: Einstieg in RAG mit Agenten-Logik.

Im Detail

Agentic RAG überlässt die Entscheidung, ob überhaupt im Vektorindex nachgeschlagen wird, einem Agenten statt einer festen Pipeline. Der Abruf wird als Werkzeug bereitgestellt, das der Agent nur aufruft, wenn er es für die konkrete Frage für nötig hält — bei Smalltalk oder bereits bekannten Fakten wird es übersprungen. Das ist schlanker als Adaptive oder Corrective RAG, da weder Websuche noch Dokument-Grading eingebaut sind, dafür ein guter Einstiegspunkt für das Grundprinzip „Retrieval als Agenten-Tool“ statt starrer Kette. Passend für alle, die zum ersten Mal LangGraph mit Tool-Aufrufen und bedingten Kanten kombinieren möchten.

Beispiel aus der Praxis

Sie stellen dem Agenten eine Frage, deren Antwort im indexierten Dokument steht, sowie eine allgemeine Frage ohne Bezug dazu. Der Agent ruft nur bei der ersten Frage den Vektorindex ab und beantwortet die zweite direkt, ohne zu suchen.

Praxis-Tipp

Loggen Sie die Tool-Aufrufe mit — so sehen Sie schnell, bei welchen Fragetypen der Agent den Retrieval-Schritt überspringt und ob das gewünscht ist.

Stolperfallen

Das Original-Notebook eins zu eins in Produktion übernehmen, obwohl es als Lern- und Referenzcode gedacht ist. Wer komplexere Anforderungen wie Routing oder Selbstbewertung der Antwortqualität braucht, ist mit diesem einfachsten Beispiel noch nicht am Ziel und sollte zu Adaptive oder Self-RAG wechseln.

Siehe auch

• langgraph_adaptive_rag.ipynb
• langgraph_crag.ipynb
• langgraph_self_rag.ipynb

Lizenz & Quelle

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