教程：构建 RAG Agent

本教程用一组产品文档构建 RAG Agent，重点验证分块、混合检索、重排序、引用和失败诊断。

最终结果

Agent 能回答文档中的问题并返回来源；检索实验室能解释每个结果在向量、全文、融合和重排阶段的分数。

步骤 1：创建知识库并选择模型

1. 创建知识库，选择当前团队。
2. 选择 embedding 模型和可选 rerank 模型。
3. 分块大小使用 1000，重叠使用 100。
4. 保存。

步骤 2：导入并处理文档

1. 选择上传文档，上传产品文档。
2. 文档进入等待中后选择预览分块。
3. 检查分块数、重叠长度和文本清理效果。
4. 选择开始处理，等待状态变为已完成。

步骤 3：运行检索实验室

1. 打开命中测试，输入文档中有明确答案的问题。
2. 分别运行向量、全文和混合检索。
3. 对比结果重合数、阶段耗时、最终分数和诊断。
4. 保存表现最佳的本地预设。
5. 选择应用到生产前确认至少一个混合权重大于 0。

步骤 4：创建并绑定 Agent

1. 创建 Agent，选择 chat 模型。
2. 关联刚才的知识库，使用 hybrid。
3. RAG 模式选择 Agentic RAG或Naive RAG。
4. 提示词要求“仅基于来源回答；无法找到答案时说明不确定”。
5. 预览并发布。

验收与故障排查

• 文档问题能引用正确文档。
• 无答案问题不会生成无依据断言。
• 检索实验室诊断为空或可解释。
• 更换嵌入模型后必须重建索引。
• 召回失败时检查 Qdrant、PostgreSQL/pg_search、模型凭据和文档状态。