LangGraph Agentic RAG System产品系统Vibe Coding

当下企业及个人本地知识库应用中，传统RAG系统普遍存在问答逻辑单一、无法处理复杂多维度问题、检索精准度低、无答案校验机制，且依赖单一外部搜索接口易出现服务中断的问题。本项目面向政企办公、个人知识管理、企业内部文档问答等场景，适配内部规章制度、技术文档、学习资料等多类型本地文档智能解析与问答需求，解决传统知识库系统无自主思考、容错性差、复杂问题应答准确率低、服务稳定性不足的业务痛点，满足轻量化、本地化、高可用的智能知识咨询业务需求。

本系统集成多格式文档解析、智能检索、Agent多轮问答、外部知识拓展、工程化配套功能五大核心模块。支持PDF、DOCX、TXT、MD四种主流文档格式的批量上传、安全校验、解析拆分与向量化存储，可自主完成知识库索引构建与重建。搭载自研多阶段Agent工作流，支持用户多轮连续对话，可自主规划任务、并行调用工具、生成答案并完成校验修订。同时内置混合检索排序、三级搜索服务降级机制，兼顾本地知识库精准召回与外部实时知识补充，搭配模型参数自定义配置、会话状态持久化、流式答案输出功能，全方位优化智能问答交互体验与系统稳定性。

本人主导系统核心架构设计、Agent工作流搭建与核心功能开发，全程负责需求落地、代码开发、功能调试与性能优化。项目整体采用Streamlit搭建前端交互界面，基于LangGraph构建有状态可循环的智能Agent架构，依托ChromaDB实现本地向量数据库存储，结合BM25算法完成混合检索，搭配多款开源搜索工具实现外部知识拓展。核心实现难点为复杂多阶段工作流的逻辑闭环设计、多检索算法的融合排序适配、多搜索服务的降级容错开发。通过搭建规划-执行-验证-修订闭环工作流、RRF融合排序策略、三级搜索降级机制，攻克了传统RAG问答逻辑简单、检索召回率低、服务不稳定的难点，大幅提升系统问答准确率与可用性。