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.

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

Grundlegendes Beispiel für Agentic RAG: Statt bei jeder Anfrage automatisch im Vektorindex zu suchen, entscheidet ein Agent selbst, ob und was er abruft – etwa auch mehrfach nachzufragen oder die Suche zu überspringen, wenn sie nicht nötig ist. Das ist der einfachste Einstiegspunkt der LangGraph-RAG-Beispielreihe und eignet sich gut, um das Grundprinzip agentengesteuerten Retrievals zu verstehen, bevor man zu komplexeren Varianten wie Adaptive oder Self-RAG wechselt, die zusätzlich Routing beziehungsweise Selbstbewertung der Antwortqualität einbauen. Als kopiertes Original-Notebook eher Lern- und Referenzcode als fertige Produktionslösung.

Praxis-Tipp

Guter erster Schritt, bevor man sich die komplexeren Varianten (langgraph_adaptive_rag oder langgraph_self_rag) anschaut – hier sieht man die Kernidee ohne zusätzliche Routing-Schicht.

Siehe auch

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

Lizenz & Quelle

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

Lade …