KNOWLEDGE NOTE / AI · 项目实践

RAG 与 Agent 项目精选

把文档问答、Coze/Dify 课程流程、工具调用和 LangGraph 编排串成有权限与评测边界的学习项目设计。

创建
2026年9月24日
更新
2026年10月15日

RAG 与 Agent 项目精选

摘要

可靠的 AI 应用不只是“接上模型”,还要围绕数据、权限、检索、工具执行、失败处理和评估构建完整链路。本笔记将课件中的文档对话、Dify 和 LangChain/LangGraph 案例合并为可复用设计。

正文

1. 文档问答项目

**离线侧:**解析文档并保留标题、页码、来源和权限元数据;按文档结构切片;生成向量并建立可更新索引。

**在线侧:**验证用户身份与输入 → 按权限过滤知识 → 检索候选片段 → 重排并控制上下文长度 → 调用模型 → 校验引用 → 返回答案。

**失败路径:**没有可靠片段时说明未找到依据;检索超时可返回可理解的错误或降级方案;不能把不同用户的缓存或私有资料混在一起。

2. Dify 工作流案例抽象

知识问答可以使用“开始 → 意图识别 → 知识检索 → 按检索结果分支 → 生成或澄清 → 结束”。SQL 问答可以使用“解析需求 → 生成 SQL → 校验只读范围 → 执行 → 解释结果”。涉及写入、删除或敏感查询时,不应让模型直接执行,应增加权限和确认节点。

3. Function Calling 与工具

工具调用过程是:模型选择一个工具并生成参数 → 应用校验授权和参数 → 应用执行真实函数 → 把执行结果返回模型 → 模型生成面向用户的答案。模型本身不会因为输出了函数名称就自动拥有权限。

工具设计要小而清晰,限制参数范围、设置超时、记录审计信息,并为副作用操作设计确认与幂等机制。

4. 何时用 LangGraph

当流程需要循环、条件路由、状态累积、重试、人工介入或从检查点恢复时,可用状态图显式描述。把每个节点设计成边界清楚的函数,并为状态字段制定更新规则。若流程只是固定的几个步骤,简单工作流通常更易维护。

5. 项目评估表

环节关键问题
数据来源是否获准、更新如何同步、敏感字段如何处理?
检索命中是否相关、权限过滤是否生效、来源是否保留?
模型输出是否遵循格式、资料不足时是否拒答?
工具参数是否校验、权限是否最小、失败是否可恢复?
发布认证、限流、密钥、监控、日志和回滚是否准备好?
评测有没有固定测试集、失败案例和成本延迟基线?

6. 课程案例拆解:商品知识问答(学习示例,不是个人生产经历)

RAG 项目课件把服装商品属性整理成知识文件,再让用户通过问题查询。可把它还原成一个可以逐阶段检查的小项目:

项目阶段要做的事需要保留/检查的产物
明确问题定义颜色、尺码、材质、洗涤等回答范围;识别需精确匹配的商品款号问题清单、支持字段、无答案规则
数据准备清理重复商品说明,保留属性名、商品 ID、版本和更新时间原始文件、规范化记录、数据来源
文档解析按表格/字段关系读取,而不是破坏字段和值的对应解析后字段和值的对照样本
建库按商品、属性或自然段切块;加入商品 ID、类目、有效期等元数据chunk_id 到商品/原文的映射
在线查询先验证用户与商品范围;型号走精确词法过滤,描述类问题可补充向量召回授权过滤条件、候选列表、来源位置
生成展示在证据足够时回答并引用字段/商品来源;证据不足时澄清或拒答Prompt 输入、答案、引用校验结果
更新维护商品内容更新后使旧版本片段失效,并检查缓存新旧版本、删除确认、索引更新日志

示例问答 1: 用户问“这件衣服怎么洗?”——应先检索目标商品的有效洗护说明;不能把另一商品或通用经验当成该款商品证据。

示例问答 2: 用户问“款号 AB-720,蓝色 M 码有货吗?”——可用 RAG 找商品说明,但实时库存应查有授权的库存 API/数据库;库存不是静态向量片段可以保证的状态。

案例边界: 该流程来自本地课程的教学项目架构,适合作为练习题和系统设计素材,不代表该项目已经部署、达到业务指标或是用户的个人生产经历。

7. 上线前的风险检查与故障归因

  • 数据风险: 是否有来源授权、过期内容标记、删除链路和重复导入保护?
  • 检索风险: 是否测过型号精确查找、同义提问、无答案和多个证据片段?
  • 授权风险: 权限条件由服务端身份导出并在检索查询执行吗?是否测试撤权后的缓存和旧链接?
  • 生成风险: 是否允许模型在证据不足时拒答?是否对引用逐条做来源和主张校验?
  • 注入风险: 是否将检索文档看作不可信数据,且工具执行另有权限、参数校验和高风险确认?
  • 运营风险: 是否监控索引更新延迟、P95 延迟、失败率、成本和版本回滚?

发生错误时先保存该次请求对应的授权范围、检索候选、排名、最终上下文、生成答案和引用映射(日志做好脱敏),然后按“资料/解析 → 检索 → 重排 → 上下文 → 生成 → 引用展示”逐段对照,不要只反复修改系统提示。

完整流程和指标定义见 RAG检索增强生成;逐题复习见 RAG检索增强生成面试题库;对应资料的合并、来源与评测边界见 RAG检索增强生成。

8. Dify 教学 NL2SQL:从“能跑”到“可控”

课程第六章把自然语言问题转换成 SQL,由数据库插件执行,再解释结果或生成图表。这是理解 AI 应用如何连接真实数据的练习,不是用户已部署的系统,也没有可验证的线上收益数据。

建议把教学链路改写为以下安全边界:

text
用户提问
  → 认证用户与业务范围检查
  → 提取查询意图、时间范围和统计口径
  → 只向模型提供允许使用的表/视图说明
  → 模型生成查询草稿
  → 服务端校验 SQL 语法树、表列白名单、只读/租户过滤和成本限制
  → 使用只读数据库身份执行(限制超时、行数和并发)
  → 检查结果类型与业务口径
  → 用文字/图表解释,并记录可追溯但已脱敏的执行摘要

“只允许 SELECT”只是第一层:复杂查询可能读取不应暴露的列、绕过租户边界、拖垮数据库或通过函数产生不期望行为。安全性还需要数据库最小权限、白名单视图、服务端强制过滤、语法树检查、限额与审计。涉及更新、删除或成绩修改时,不能沿用只读查询流程。

测试集可包含“各班平均分”“某时间段排名”等正常查询,以及含义模糊、用户无权查看、模型生成不存在列、超大范围和提示注入样例。分别统计 SQL 校验通过率、执行成功率、结果与人工预期一致率、越权拦截率、超时率和 P95 延迟;不能把 SQL 能执行等同于答案正确。

9. Coze/Dify 课程案例如何转成项目经历

可用跨境电商问答、商品知识问答、天气规划、教学 NL2SQL 或英雄联盟知识助手练习系统分析,但统一标为“课程示例”或“设计练习”。先记录来源里真实出现的流程,再单列自己补充的安全与评测建议;不要把建议说成课件原本就有,也不要把“能导入/测试”说成线上生产。

平台共同的交付顺序是:需求范围 → 数据和权限 → 节点/工具设计 → 正常及失败路径测试 → 发布前检查 → 小流量/人工复核 → 观测与回归。Coze 官方当前文档要求工作流先测试运行再发布,并说明 Agent 的知识库可配置自动或按需调用;Dify 官方快速入门也把逐节点测试、查看节点运行结果和发布更新放在同一工作流中。课程中的 UI、插件名称和版本行为需要按当前平台文档重新核验。

复习完整项目问答见 AI应用项目设计与案例面试题库;RAG 设计与检索评测见 RAG检索增强生成 和 RAG检索增强生成面试题库。

相关笔记

  • RAG检索增强生成
  • Agent与Dify基础
  • LangChain与LangGraph基础
  • 大模型面试精选

参考资料

原始来源文件

以下列出本篇整理所依据的代表性原件;同主题重复版本与完整状态请查阅 source-manifest.csv。

  • Raw sources/大模型官方课程-视频资料/2026最新大模型全套资料(持续更新)/②、大模型入门资料/MD文档/【大模型项目实战】使用RAG技术构建企业级文档问答系统之QA抽取,非常详细!(含开源代码).md
  • Raw sources/大模型官方课程-视频资料/2026最新大模型全套资料(持续更新)/②、大模型入门资料/MD文档/人工智能Agent的基本原理与架构.md

放弃未保存的修改?

有未保存的修改,离开会丢失这些内容。