agentic-rag-for-dummies：它是什麼、解決了什麼問題以及為何受到關注

它解決了什麼

此專案提供一個模組化框架，用於構建 Agentic RAG（檢索增強生成） 系統。它針對基本 RAG 教學的限制，提供可投入生產環境的架構，能處理複雜查詢、保留對話歷史，並在使用者輸入含糊時允許人機互動以釐清需求。

它如何運作

系統使用由 LangGraph 協調的四階段智慧工作流程：

1. 對話理解：維持滾動摘要與歷史，以保留上下文而不會超出 LLM 的記憶限制。
2. 查詢釐清：改寫含糊的查詢，將多部份問題拆分為子查詢，必要時暫停並請使用者提供更多細節。
3. 智慧檢索：採用「Map‑Reduce」方式，為每個子查詢產生平行代理。這些代理在小的「子區塊」中搜尋以提升精確度，並在較大的「父區塊」中取得完整上下文，若初始結果不足，會自動進行自我校正。
4. 回應生成：將所有平行代理的發現彙總，產生最終一致的答案。

目標對象

• 開發者：想要超越基礎 RAG，構建更複雜、以代理為核心的檢索系統。
• AI 工程師：需要支援多種 LLM 供應商（Ollama、OpenAI、Anthropic、Google）的模組化範本。
• 學習者：希望透過互動筆記本與結構化實作路徑，了解 Agentic RAG 的概念。

重點特色

• 階層式索引：結合小區塊以提升搜尋精度，並使用大區塊提供生成所需的完整上下文。
• 多代理 Map‑Reduce：透過平行處理，應對複雜且多部份的查詢。
• 自我校正：若首次檢索未取得足夠資訊，系統會自動重新查詢。
• 供應商無關：可使用 Ollama 本地模型或主要雲端供應商的 API。
• 可觀測性與評估：整合 Langfuse 以追蹤流程，並使用 RAGAS 進行品質指標評估。

---

摘要： 使用 LangGraph 的模組化 Agentic RAG 框架，實作階層式索引、多代理平行檢索與人機互動查詢釐清。

標題： agentic-rag-for-dummies：它是什麼、解決了什麼問題以及為何受到關注