基于 LangGraph 的对话式 RAG 系统实现：多轮检索与自适应查询优化

RAG（Retrieval-Augmented Generation）在语言模型应用中已经相当成熟，但传统实现往往只是简单的"检索-生成"流程。实际对话场景要复杂得多——用户的问题可能含糊不清，或者会频繁追问，还经常提些不相关的内容。

这篇文章会展示怎么用 LangGraph 构建一个具备实用价值的 RAG 系统，包括能够处理后续追问、过滤无关请求、评估检索结果的质量，同时保持完整的对话记忆。

传统 RAG 就是检索 top-k 文档然后喂给模型生成答案。但对话场景下会遇到几个棘手的问题：用户问题经常模糊不清或者是追问；检索到的 k 个文档可能压根不相关；还有些问题完全不在系统能回答的范围内。

这个问题的解决办法是把聊天历史、文档相关性评分、查询迭代优化以及智能路由结合起来，让系统能够理解上下文，还能自我修正。

最终要实现的系统能做下面的事情：

接收对话式提问包括各种追问，把问题改写成独立完整的形式，判断问题是否属于可回答的范畴，检索相关文档并评估质量，没找到合适文档时自动优化查询重新检索，达到尝试上限后要么给出答案要么返回无法回答，整个过程保留完整对话历史。

 

https://avoid.overfit.cn/post/6a7eb71328fa41569a7200fbee608a1d