如何在 LangChain ReAct Agent 中集成向量嵌入检索能力-Python教程-PHP中文网

如何在 LangChain ReAct Agent 中集成向量嵌入检索能力

本文详解如何将 pinecone 等向量数据库的检索能力作为工具注入 langchain 结构化聊天 agent，使 react 智能体既能自主规划调用工具，又能实时获取外部知识库中的语义相关上下文。

本文详解如何将 pinecone 等向量数据库的检索能力作为工具注入 langchain 结构化聊天 agent，使 react 智能体既能自主规划调用工具，又能实时获取外部知识库中的语义相关上下文。

LangChain 的 ReAct Agent（如 create_structured_chat_agent）本身不直接接收 retriever 或向量索引，但它支持任意符合 LangChain Tool 协议的工具——这意味着，只需将向量检索器封装为标准工具，即可无缝接入 Agent 的决策与执行流程。

核心思路是：利用 create_retriever_tool 将 vector_store.as_retriever() 转换为具备名称、描述和可调用接口的 Tool 对象，并将其加入 tools 列表。Agent 在运行时会根据用户问题自动判断是否需要调用该检索工具，并将返回的文档片段作为推理依据。

以下为完整实现步骤：

✅ 步骤 1：准备 LLM 与向量检索器

from langchain_openai import ChatOpenAI
from langchain_community.vectorstores import Pinecone

llm = ChatOpenAI(temperature=0.1, model_name="gpt-4")

# 假设 vector_store 已连接 Pinecone 索引
retriever = vector_store.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 3}  # 检索 top-3 相关文档
)

✅ 步骤 2：将检索器封装为 Agent 工具

from langchain.tools.retriever import create_retriever_tool

retriever_tool = create_retriever_tool(
    retriever=retriever,
    name="knowledge_base_search",
    description=(
        "用于查询公司内部知识库的语义检索工具。"
        "当用户问题涉及产品文档、API 说明、历史案例或领域专有概念时，应使用此工具。"
        "输入应为简洁、明确的自然语言查询词（无需添加前缀如'请检索...'）。"
    )
)

⚠️ 注意事项：

name 必须为合法标识符（仅含字母、数字、下划线），且不能与其它工具重名；

description 至关重要——它决定了 Agent 是否理解何时调用该工具。务必清晰说明适用场景与输入格式；

若需多源检索（如同时查文档库 + 数据库），可创建多个 retriever_tool 并统一加入 tools。

✅ 步骤 3：构建并运行结构化聊天 Agent

from langchain import hub
from langchain.agents import create_structured_chat_agent, AgentExecutor

prompt = hub.pull("hwchase17/structured-chat-agent")
tools = [retriever_tool]  # ✅ 关键：此处传入封装好的检索工具

agent = create_structured_chat_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

result = agent_executor.invoke({
    "input": "LangChain v0.1 中 DocumentLoader 的异步加载方式有哪些？",
    "chat_history": chat_history
})

print(result["output"])

Agent 执行过程中将自动完成：
? 分析问题语义 → 判断需查阅知识库
? 调用 knowledge_base_search 工具，传入原始问题作为 query
? 接收检索返回的 Document 列表（含 page_content 和 metadata）
? 将文档内容整合进系统提示，辅助 LLM 生成准确回答