📷 [图片 token=ELS5btcapoAylgx5ajac0ivOnbh（未能下载，见飞书原文）]
📷 [图片 token=GUMobyn31oGpQrxVloecO8ZVnyh（未能下载，见飞书原文）]
从RAG召回到ReAct多轮交互
架构总览
对话Agent的核心目标是结合外部知识（RAG召回）与工具调用能力（ReAct模式），解决复杂问题。
整体流程可概括为：
用户输入 -> embedding -> 向量数据库召回
构建带上下文(召回的内容)的 prompt
ReAct模式多轮交互
最终输出答案
📷 [图片 token=DFeObpyePosVkhxcyztcH4F0nAf（未能下载，见飞书原文）]
核心流程拆解
📷 [图片 token=S8IkbCtNsohAt4xqZe9cDCehn53（未能下载，见飞书原文）]
这个图现在看不懂没关系，在实战篇章会有讲解
RAG召回：让Agent学习外部知识
目标：从向量数据库中获取与用户问题相关的上下文信息，避免大模型出现"幻觉"。
步骤：
用户输入经
InputToRag Lambda Node处理，生成用于召回的字符串调用 Retriever 组件（以Milvus数据库为例），通过Embedding将问题向量化
向量数据库执行相似度匹配，返回相关文档
结果存入
map["documents"]，作为后续Prompt的上下文来源 。
Prompt构建：动态拼接上下文与对话历史
目标：将用户输入、RAG召回内容、对话历史整合成大模型可理解的prompt。 prompt构建好后，将prompt移交给ReAct组件使用。
核心组件：ChatTemplate
- 输入：两个lambda node的输出合并
// 示例Prompt结构
SystemPrompt: "你是知识库助手，用{documents}回答问题，当前时间{date}"
UserPrompt: "{content}\n历史对话：{history}"
- 占位符设计：
{content}：用户原始问题{documents}：RAG召回的相关文档{date}：当前时间（增强时效性）{history}：历史对话
ReAct模式：让Agent学会"思考-行动-观察"循环
目标：通过多轮工具调用解决复杂问题，核心是"显式思考→工具调用→结果观察"。
循环四步骤：
Reason（思考）：大模型分析问题，判断是否需要调用工具（如"需要查实时数据→调用搜索工具"）。
Action（执行）：返回工具调用请求（含函数名、参数，如
{"name":"Search","parameters":{"query":"2025世界杯冠军"}}，调用工具获取返回结果（如搜索到"阿根廷夺冠"）。Observation（观察）：工具结果返回给大模型，开始新一轮循环（若无需继续调用工具，则输出最终答案）。
结束条件：大模型在
Reason阶段判断"现有信息足够回答，无需工具"，循环终止。
关键组件深析
Lambda Node：数据流转的"转换器"
InputToRag：
- 输入：用户原始问题（可自定义预处理，如过滤无关信息）。
- 输出：用于RAG召回的字符串（直接影响召回精度，需确保与向量数据库存储内容匹配）。
InputToChat：
- 输入：用户问题+对话历史。
- 输出：
map结构（含content/history等key），作为ChatTemplate的动态参数来源。
Retriever：向量召回的"连接器"
以Milvus实现为例，Retrieve方法核心逻辑：
func (r *MilvusRetriever) Retrieve(ctx context.Context, input string) ([]*schema.Document, error) {
// 1. 问题向量化
embedding, _ := r.embedding.Embed(ctx, input)
// 2. 向量数据库查询（TopK相似度匹配）
results, _ := r.client.Search(ctx, embedding, 5) // 取Top5相关文档
// 3. 格式转换为schema.Document
return convertToDocuments(results), nil
}
Tool：Agent的"双手"
Tool本质是带描述的函数，需明确告知大模型：
函数名称（如"查询当前时间"）
入参/返参格式（json来描述）
使用场景（如"当问题涉及当前时间时调用"）
例：定义一个时间工具
// GetCurrentTimeInput 获取当前时间的输入参数（无需输入）
type GetCurrentTimeInput struct {
// 无需输入参数
}
// GetCurrentTimeOutput 获取当前时间的输出结果
type GetCurrentTimeOutput struct {
Success bool `json:"success" jsonschema:"description=Indicates whether the time retrieval was successful"`
Seconds int64 `json:"seconds" jsonschema:"description=Current Unix timestamp in seconds since epoch (1970-01-01 00:00:00 UTC)"`
Milliseconds int64 `json:"milliseconds" jsonschema:"description=Current Unix timestamp in milliseconds since epoch (1970-01-01 00:00:00 UTC)"`
Microseconds int64 `json:"microseconds" jsonschema:"description=Current Unix timestamp in microseconds since epoch (1970-01-01 00:00:00 UTC)"`
Timestamp string `json:"timestamp" jsonschema:"description=Human-readable timestamp in format 'YYYY-MM-DD HH:MM:SS.microseconds'"`
Message string `json:"message" jsonschema:"description=Status message describing the operation result"`
}
// NewGetCurrentTimeTool 创建获取当前时间的工具
func NewGetCurrentTimeTool() tool.InvokableTool {
t, err := utils.InferOptionableTool(
"get_current_time",
"Get current system time in multiple formats. Returns the current time in seconds (Unix timestamp), milliseconds, and microseconds. Use this tool when you need to retrieve current system time for logging, timing operations, or timestamping events.",
func(ctx context.Context, input *GetCurrentTimeInput, opts ...tool.Option) (output string, err error) {
// 计算各种时间格式
seconds := now.Unix()
// 构建输出
// ...
// return
})
return t
}
总结：Agent能力的三角支柱
对话Agent的智能源于三方面协同：
RAG召回：赋予外部知识记忆能力。
动态Prompt：让大模型学习外部知识，并带有记忆(历史对话)。
ReAct模式：实现复杂任务拆解与工具调用。