1天1个项目介绍｜对话式RAG Agent

想做AI项目但不知道从哪入手？今天给大家推荐一个非常适合入门+简历包装的开源项目：Agentic RAG for Dummies。

这个项目是干嘛的？

简单说就是一个能对话、能检索、能自我纠错的智能问答 Agent。你给它喂一堆文档（比如 PDF），它就能根据文档内容跟你聊天，而且还会：

• 记住上下文，多轮对话不断片
• 遇到模糊问题会反问你，不瞎答
• 检索不到好结果会自动重试
• 复杂问题拆成小问题并行查，再汇总回答

技术栈：LangGraph + Qdrant向量库 + HuggingFace嵌入 + 支持Ollama/OpenAI/Claude多种LLM

怎么做？手把手教你

第一步：环境准备

git clone https://github.com/GiovanniPasq/agentic-rag-for-dummies.git
cd agentic-rag-for-dummies
pip install -r requirements.txt

本地跑的话装个 Ollama，拉个 qwen3 模型就行：

ollama pull qwen3:4b-instruct

第二步：准备你的文档

项目自带 PDF 转 Markdown 的 notebook，把你的资料丢进去就行。它会做分层索引——大块用来保留上下文，小块用来精准检索。

第三步：跑起来

打开 Jupyter Notebook，跟着 Learning Path 走一遍，核心流程就四步：

1. 理解对话历史
2. 改写/澄清用户问题
3. 多 Agent 并行检索
4. 汇总生成回答

整个架构用 LangGraph 编排，每个节点都是独立模块，想换 LLM 或者向量库都只需要改一行代码。

做完怎么包装到简历上？

这个项目包装空间很大，建议这样写：

项目名称：基于 LangGraph 的多 Agent RAG 智能问答系统

项目描述：

• 基于 LangGraph 实现多 Agent 协作的 RAG 系统，支持多轮对话、查询改写、自纠错检索
• 采用分层索引策略（Hierarchical Indexing），父子块分离实现精准检索与上下文保留的平衡
• 集成 Map-Reduce 模式，复杂查询自动拆解为并行子查询，提升回答准确率
• 接入 Langfuse 实现全链路可观测，监控 LLM 调用、工具使用和 Agent 执行流程
• 支持 Ollama 本地部署与 OpenAI/Claude 云端切换，LLM Provider 无关架构

技术关键词：LangGraph、RAG、Qdrant、HuggingFace Embeddings、Multi-Agent、Ollama

为什么推荐这个项目？

1. 代码量适中：不像 LangChain 源码那么庞大，核心逻辑一个 notebook 就能看完
2. 概念全面：RAG、Agent、多轮对话、自纠错、Map-Reduce 全覆盖，面试高频考点
3. 可扩展：模块化设计，你可以加自己的功能（比如接入飞书、企微）
4. 本地可跑：用 Ollama + 开源模型，不用花钱调 API

项目地址：https://github.com/GiovanniPasq/agentic-rag-for-dummies

有问题评论区交流，大家一起MARK起来！