代理跟踪-汽车RAG和知识库
     
一个面向生产的生成人工智能工作流程的项目中心，专注于德国汽车工程领域的高精度代理RAG。
______________________________________________________________________
概述
该存储库将文档摄取、结构化数据处理、检索管道和基于代理的推理工作流组合到一个知识平台中。
其设计用于：
- 处理汽车工程PDF和技术文档，
- 用Medallion风格的数据架构组织提取的内容，
- 利用矢量数据库提供高质量检索，
- 并运行自校正的LangGraph工作流以获得可靠的答案。
______________________________________________________________________
存储库结构
| 目录 | 目的 |
|---|---|
agentic-rag/ | 核心应用程序代码，包括LangGraph代理、FastAPI服务器、CLI和Medallion管道逻辑。 |
corpus/ | 包含汽车工程PDF和相关文档的源知识库。 |
docs/ | 技术文档网站的MkDocs源文件。 |
tests/ | 单元、集成和评估测试套件。 |
tutorials/ | 学习材料和框架特定指南。 |
______________________________________________________________________
主要特点
RAG代理工作流程
该系统使用LangGraph实现了校正和自适应检索管道。
主要部件包括：
- 安全层 为了降低快速注入和越狱的风险，
- 路由逻辑 在矢量检索、直接LLM应答或网络搜索之间进行选择，
- 文档分级 为了检查检索到的内容是否相关，
- 应答验证和重试逻辑 减少幻觉，提高输出质量。
Medallion数据架构
数据被处理成单独的层 agentic-rag/data/:
- 青铜：从源文档中提取的原始内容
- PDF提取 pymupdf4llm - HTML转换 MarkItDown
- 银：已清理和规范化的记录
- 章节标题 - 元数据丰富 - 页面级可追溯性
- 金：可检索资产
- 分块文档 - 优化嵌入 - ChromaDB矢量索引
______________________________________________________________________
快速开始
确保安装了以下工具：
1.设置环境
cd agentic-rag
uv sync
ollama pull llama3:8b
ollama pull nomic-embed-text2.摄入文件
将本地PDF和文档内容处理到矢量存储中：
uv run python app/cli.py --ingest3.启动交互式应用程序
uv run python app/cli.py______________________________________________________________________
配置
项目行为可以通过以下方式进行调整：
agentic-rag/config.yaml推荐起点：
- 模型选择:
gpt-oss:120b-cloud具有强大的德语合成质量 - 检索深度:
top_k: 6+在相关性过滤之前提高召回率 - 幻觉分级：可用于更安全的响应，但可能会增加本地测试期间的延迟
______________________________________________________________________
典型工作流程
- 将源文档添加到语料库中。
- 运行摄入管道。
- 构建或刷新矢量存储。
- 通过CLI或API查询系统。
- 让LangGraph工作流检索、评分、验证和优化响应。
______________________________________________________________________
文档
技术文档存在于 docs/ 目录，可用于构建一个完整的MkDocs网站，用于项目参考、架构说明和使用指南。
______________________________________________________________________
测试
测试位于：
agentic-rag/tests/它们包括：
- 单元测试，
- 集成测试，
- 以及检索和答案质量的评估工作流程。
______________________________________________________________________
用例
此存储库适用于：
- 汽车工程知识库，
- 技术PDF问答系统，
- 领域特定的RAG助手，
- 内部文档搜索，
- 以及需要验证和纠正步骤的基于代理的检索管道。
______________________________________________________________________
备注
该存储库的结构支持实验和面向生产的迭代。主要重点是在专业技术领域中可追溯的摄入、检索质量和可靠的答案生成。