用 LangGraph 改造单一 RAG 架构：让 Agent 决定调用向量、图遍历还是网络搜索

向量搜索、图遍历还是网络搜索 -- 本文介绍如何用 LangGraph 让智能体为每个问题选择合适的工具。

语义搜索、向量数据库迁移、Graph RAG。这些系统有一个共同缺陷——都是 Pipeline，固定执行序列，问题进、答案出，不论输入是什么。

真实问题并不符合这个假设。

"我们的退款政策是什么？" 需要向量搜索。

"顶级客户和这家供应商之间有什么关联？" 需要图遍历。

"美联储今早宣布了什么？" 需要网络搜索。

Pipeline 只能处理其中一种。Agent 三种都能做，而且能自己决定用哪种。

思维转变：传统 RAG 是一个函数——输入 → 输出。Agentic RAG 是一个状态机——它有记忆、能做决策、可以回溯，只有在对答案有把握时才会终止。

https://avoid.overfit.cn/post/6f3ab183695548b3bef0e96109eaa37f