Agentic RAG

This example application shows how to build a sophisticated RAG (Retrieval Augmented Generation) system that leverages search of a knowledge base with LLMs to provide deep insights into the data.

该代理可以：

• 处理和理解来自多个来源（PDF、网站、文本文件）的文档
• 使用向量嵌入构建可搜索的知识库
• 跨会话维护对话上下文和记忆
• 为其响应提供相关的引文和来源
• 生成摘要并提取关键见解
• 回答后续问题和澄清

该代理使用：

• 用于相关文档检索的向量相似性搜索
• 用于上下文响应的对话记忆
• 用于来源归属的引文跟踪
• 动态知识库更新

可尝试的示例查询：

• “这份文件的关键要点是什么？”
• “你能总结一下主要的论点和支持证据吗？”
• “重要的统计数据和发现是什么？”
• “这与[主题X]有什么关系？”
• “这份分析的局限性或差距是什么？”
• “你能更详细地解释一下[概念X]吗？”
• “还有哪些其他来源支持或反驳这些说法？“

代码

完整的代码可在 Agno 存储库 中找到。

用法

1. 克隆存储库

   git clone https://github.com/agno-agi/agno.git
   cd agno
   
2. 创建虚拟环境

   python3 -m venv .venv
   source .venv/bin/activate
   
3. 安装依赖项

   pip install -r cookbook/examples/streamlit_apps/agentic_rag/requirements.txt
   
4. 运行 PgVector

   首先，安装 Docker Desktop。

   然后使用辅助脚本运行：

   ./cookbook/scripts/run_pgvector.sh
   

   或直接使用 Docker 运行：

   docker run -d \
     -e POSTGRES_DB=ai \
     -e POSTGRES_USER=ai \
     -e POSTGRES_PASSWORD=ai \
     -e PGDATA=/var/lib/postgresql/data/pgdata \
     -v pgvolume:/var/lib/postgresql/data \
     -p 5532:5432 \
     --name pgvector \
     agnohq/pgvector:16
   
5. 设置 API 密钥

   # Required
   export OPENAI_API_KEY=***
   # Optional
   export ANTHROPIC_API_KEY=***
   export GOOGLE_API_KEY=***
   
   

   我们建议使用 gpt-4o 以获得最佳性能。

6. 启动应用程序

   streamlit run cookbook/examples/streamlit_apps/agentic_rag/app.py
   

   打开 localhost:8501 开始使用 Agentic RAG。

需要帮助？加入我们的 Discourse 社区 以获得支持！