如何在 LangChain ReAct Agent 中集成向量嵌入检索能力

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。

想让你的LangChain智能体变得更“博学”吗？一个常见的挑战是：如何让一个能自主规划、调用工具的ReAct Agent，同时具备实时查询外部知识库的能力。好消息是，这并不需要复杂的架构改造，核心思路其实相当直接。

关键在于理解LangChain的设计哲学。像create_structured_chat_agent这类ReAct Agent，其本身并不直接接收检索器或向量索引。但它的强大之处在于，支持接入任何符合LangChain Tool协议的工具。这意味着，你只需要把向量检索器“包装”成一个标准工具，就能让它无缝融入Agent的决策与执行流程。这样一来，智能体就能在推理过程中，自主决定何时去知识库“查资料”了。

整个实现路径非常清晰：利用create_retriever_tool函数，将vector_store.as_retriever()转换成一个具备名称、描述和可调用接口的Tool对象，然后把它丢进Agent的工具列表里。剩下的事情，Agent会自己搞定。

下面，我们就来拆解具体的实现步骤。

✅ 步骤 1：准备 LLM 与向量检索器

首先，准备好你的大语言模型和已经构建好的向量检索器。这里以OpenAI和Pinecone为例。

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

接下来是最关键的一步：把检索器“变身”为Agent能识别的工具。这里要用到create_retriever_tool。

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...'）。"
    )
)

⚠️ 这里有几点必须注意：

• 工具名称（name）必须是一个合法的标识符（只包含字母、数字、下划线），并且不能和其他工具重名。
• 工具描述（description）至关重要，它直接决定了Agent能否正确理解何时该调用这个工具。务必清晰地说明适用场景和输入格式。
• 如果需要从多个来源检索（比如同时查文档库和数据库），完全可以创建多个不同的retriever_tool，然后一起加入到工具列表中。

✅ 步骤 3：构建并运行结构化聊天 Agent

工具封装好后，构建Agent就水到渠成了。从Hub拉取预设的提示模板，传入工具列表，创建执行器，然后就可以提问了。

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"])

运行后，你将看到Agent自动执行以下完美协作：
1. 分析问题语义 → 判断当前问题需要查阅知识库。
2. 调用检索工具 → 自动选择并调用knowledge_base_search工具，并将原始问题作为查询词传入。
3. 接收检索结果 → 获取返回的相关Document列表（包含内容和元数据）。
4. 整合信息并生成回答 → 将检索到的文档内容作为上下文，辅助LLM给出最终准确、有据的回答。

✅ 补充建议

为了让这个方案更强大，这里有几个进阶优化思路：

• 提升检索质量：可以在检索器（retriever）中启用重排序（如CohereRerank）或混合搜索（结合关键词和向量），以获取更精准的结果。
• 处理长上下文：如果返回的文档片段较长，建议在工具描述中明确提示Agent“返回结果已按相关性排序，请优先参考前两条”，引导其高效利用信息。
• 优化查询本身：可以结合RunnablePassthrough或自定义Tool，在检索前对用户查询进行预处理，比如重写或同义词扩展，这能有效提升召回率。

通过这套方案，你不再需要在功能单一的问答链（ConversationalRetrievalChain）和“手无寸铁”的ReAct Agent之间艰难抉择。现在，你的Agent成为了一个既懂检索、又会推理、还能行动的统一智能接口，能力边界得到了实质性的拓展。