一、架构设计
┌──────────────────────────────────────────────────────┐│ Agentic RAG 系统 │├──────────────────────────────────────────────────────┤│ ││ ┌──────────┐ ┌───────────┐ ┌──────────────┐ ││ │ Planner │ │ Retriever │ │ Generator │ ││ │ Agent │ → │ Agent │ → │ Agent │ ││ │ (规划) │ │ (检索) │ │ (生成) │ ││ └──────────┘ └───────────┘ └──────────────┘ ││ ↓ ↓ ↓ ││ ┌─────────────────────────────────────────────┐ ││ │ PostgreSQL（统一存储层） │ ││ ├─────────────────────────────────────────────┤ ││ │ pgvector │ Apache AGE │ 记忆表 │ ││ │ (向量检索) │ (知识图谱) │ (Agent 记忆) │ ││ │ │ │ │ ││ │ tencentdb_ai（大模型调用） │ ││ └─────────────────────────────────────────────┘ │└──────────────────────────────────────────────────────┘
二、与传统 RAG 的区别
| 维度 | 传统 RAG | Agentic RAG |
| 检索策略 | 固定（单次向量搜索） | 自适应（多次 / 多策略） |
| 查询改写 | 无或简单改写 | Agent 动态改写和分解 |
| 结果评估 | 直接使用 | Agent 评估后决定是否需要更多检索 |
| 工具调用 | 无 | 可调用 SQL API 外部服务 |
| 多跳推理 | 不支持 | 支持多步推理链 |
| 记忆 | 无状态 | 有长期记忆 |
三、数据库准备
— 知识库表CREATE TABLE rag.documents ( id BIGSERIAL PRIMARY KEY, title TEXT, content TEXT NOT NULL, chunk_index INT DEFAULT 0, embedding vector(1024), source TEXT, metadata JSONB DEFAULT '{}', created_at TIMESTAMPTZ DEFAULT NOW());CREATE INDEX idx_docs_embedding ON rag.documentsUSING hnsw (embedding vector_cosine_ops);– Agent 检索记忆CREATE TABLE rag.search_memory ( id UUID PRIMARY KEY DEFAULT gen_random_uuid(), session_id UUID NOT NULL, query TEXT NOT NULL, strategy TEXT, results_summary TEXT, satisfaction FLOAT, — Agent 对结果的满意度 created_at TIMESTAMPTZ DEFAULT NOW());– 查询改写日志CREATE TABLE rag.query_rewrites ( id BIGSERIAL PRIMARY KEY, original_query TEXT, rewritten_query TEXT, rewrite_reason TEXT, session_id UUID, created_at TIMESTAMPTZ DEFAULT NOW());
四、核心实现
注意：说明：
注意：向量维度需与你使用的大模型输出维度一致。常见模型维度：OpenAI text-embedding-3-small（1536维）、BGE-M3（1024维）、ChatGLM Embedding（1024维）。
五、智能查询改写
— Agent 使用大模型改写查询CREATE OR REPLACE FUNCTION rag.rewrite_query(original TEXT)RETURNS TEXT AS $$DECLARE rewritten TEXT;BEGIN SELECT tencentdb_ai.chat_completions( '<your-llm-model>', '你是一个查询优化专家。请将以下用户问题改写为更适合向量检索的查询。只输出改写后的查询，不要解释。' || E'\\n\\n原始问题：' || original ) INTO rewritten; — 记录改写 INSERT INTO rag.query_rewrites (original_query, rewritten_query) VALUES (original, rewritten); RETURN rewritten;END;$$ LANGUAGE plpgsql;
六、多策略检索
— 向量检索CREATE OR REPLACE FUNCTION rag.vector_search(query TEXT, top_k INT DEFAULT 5)RETURNS TABLE(id BIGINT, content TEXT, score FLOAT) AS $$BEGIN RETURN QUERY SELECT d.id, d.content, 1 – (d.embedding <=> tencentdb_ai.get_embedding('bge-m3', query)) AS score FROM rag.documents d ORDER BY d.embedding <=> tencentdb_ai.get_embedding('bge-m3', query) LIMIT top_k;END;$$ LANGUAGE plpgsql;– 关键词检索（BM25 风格）CREATE OR REPLACE FUNCTION rag.keyword_search(keywords TEXT, top_k INT DEFAULT 5)RETURNS TABLE(id BIGINT, content TEXT, score FLOAT) AS $$BEGIN RETURN QUERY SELECT d.id, d.content, ts_rank(to_tsvector('chinese', d.content), plainto_tsquery('chinese', keywords))::FLOAT AS score FROM rag.documents d WHERE to_tsvector('chinese', d.content) @@ plainto_tsquery('chinese', keywords) ORDER BY score DESC LIMIT top_k;END;$$ LANGUAGE plpgsql;– 混合检索（RRF 融合）CREATE OR REPLACE FUNCTION rag.hybrid_search(query TEXT, top_k INT DEFAULT 5)RETURNS TABLE(id BIGINT, content TEXT, rrf_score FLOAT) AS $$BEGIN RETURN QUERY WITH vec AS ( SELECT id, content, ROW_NUMBER() OVER (ORDER BY score DESC) AS rank FROM rag.vector_search(query, 20) ), kw AS ( SELECT id, content, ROW_NUMBER() OVER (ORDER BY score DESC) AS rank FROM rag.keyword_search(query, 20) ) SELECT COALESCE(v.id, k.id), COALESCE(v.content, k.content), (COALESCE(1.0/(60+v.rank), 0) + COALESCE(1.0/(60+k.rank), 0))::FLOAT AS rrf_score FROM vec v FULL OUTER JOIN kw k ON v.id = k.id ORDER BY rrf_score DESC LIMIT top_k;END;$$ LANGUAGE plpgsql;
七、Agent 自适应 RAG 流程
— 完整的 Agentic RAG 函数CREATE OR REPLACE FUNCTION rag.agentic_answer(question TEXT)RETURNS TEXT AS $$DECLARE rewritten_query TEXT; context TEXT; answer TEXT;BEGIN — Step 1: 查询改写 rewritten_query := rag.rewrite_query(question); — Step 2: 混合检索 SELECT string_agg(content, E'\\n—\\n') INTO context FROM rag.hybrid_search(rewritten_query, 5); — Step 3: 生成回答 SELECT tencentdb_ai.chat_completions( '<your-llm-model>', '基于以下参考资料回答用户问题。如果资料不足，明确说明。' || E'\\n\\n参考资料：\\n' || COALESCE(context, '无相关资料') || E'\\n\\n用户问题：' || question ) INTO answer; RETURN answer;END;$$ LANGUAGE plpgsql;
八、实践
1. 文档切片：建议 chunk_size = 500–1000 字符，overlap = 100。
2. 混合检索：向量 + 关键词 RRF 融合效果优于单一方式。
3. 查询改写：对复杂问题进行分解和改写。
4. 结果重排：使用 Rerank 模型对检索结果二次排序。
5. 记忆复用：对相似问题复用历史检索结果。
九、相关文档
·pgvectorscale（DiskANN）高性能向量检索。
·pgvector 向量扩展使用指南。
·Agent 长期记忆功能概述。
·基于 Apache AGE 构建 GraphRAG 知识图谱应用。