我要投稿

对话式 RAG：让你的问答应用更“聪明”

发布日期：2025-08-24 08:59:23 浏览次数： 1604

作者：PyTorch研习社

微信搜一搜，关注“PyTorch研习社”

在很多问答（Q&A）应用中，用户希望和机器人进行自然的多轮对话。这意味着应用不仅要能回答单个问题，还需要具备“记忆”功能，把过去的问题和答案利用起来，才能让对话连贯。

本文将介绍如何在 RAG（Retrieval-Augmented Generation，检索增强生成） 的基础上，扩展支持对话交互。

🔑 核心思路

传统的 RAG 通常是这样的流程：

👉 用户输入问题 → 检索文档 → 生成答案

在对话场景中，我们需要把 历史消息 纳入考虑。本文介绍了两种方式：

链（Chain）：只执行一次检索步骤；
智能体（Agent）：允许模型根据需要多次检索，直到找到合适的答案。

🗂️ 消息序列：更自然的对话状态表示

在对话式应用里，不同类型的消息都会被记录：

HumanMessage：用户输入
AIMessage：助手回复
ToolMessage：工具返回结果（比如检索到的文档）

整个对话过程就像一条消息链，模型不仅能看到用户和助手的对话，还能结合工具调用结果来生成更合理的答案。

🔍 自动生成检索查询

在多轮对话中，用户的问题往往需要结合上下文才能理解。比如：

用户：耐克在美国有多少个配送中心？
AI：耐克在美国有 8 个配送中心。
用户：在美国之外有哪些？

这时模型会自动把用户模糊的问题改写为完整的检索查询：
👉 “耐克在美国之外有哪些配送中心？”

这样即使用户没说全，模型也能自动补全上下文。

⚙️ 架构设计

应用的核心流程可以抽象为三个节点：

用户输入节点：生成检索请求或直接回复；
检索工具节点：执行向量数据库查询；
响应生成节点：基于检索结果生成最终答案。

这种设计保证了灵活性：

用户打招呼时，可以直接回复；
用户提问时，则会触发检索和推理。

🧠 让机器人拥有记忆

要支持多轮对话，应用需要保存历史对话。文章中介绍了使用 LangGraph 的持久化机制：

每一轮消息都会追加到状态中；
通过设置 thread_id，不同会话线程能被独立保存；
用户可以随时继续之前的对话，机器人还能记住上下文。

🚀 应用效果

输入：“你好” → 系统直接回复，不触发检索。
输入：“耐克，包括匡威在美国有多少个配送中心？” → 检索并回答。
输入：“在美国之外有哪些？” → 自动补全查询，并基于历史对话给出答案。

这让应用更像一个真正的对话助手，而不是“单问单答”的工具。

📌 总结

对话式 RAG 的关键点：

用消息序列管理对话状态；
借助工具调用让模型自动生成检索查询；
利用持久化机制，让应用拥有“记忆”。

通过这些改造，你的问答机器人就能更自然地理解上下文、灵活检索信息，并保持连贯对话。

✨ 未来我们还可以进一步探索：如何在对话中结合更复杂的多工具协作，甚至让智能体像人一样自由选择信息来源。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-08-29

RAG2.0进入“即插即用”时代！清华YAML+MCP让复杂RAG秒变“乐高”

2025-08-29

利用RAG构建智能问答平台实战经验分享

2025-08-29

RAG如七夕，鹊桥大工程：再看文档解析实际落地badcase

2025-08-29

基于智能体增强生成式检索（Agentic RAG）的流程知识提取技术研究

2025-08-29

RAG 为何能瞬间找到答案？向量数据库告诉你

2025-08-28

寻找RAG通往上下文工程之桥：生成式AI的双重基石重构

2025-08-28

万字长文详解优图RAG技术

2025-08-28

自适应RAG：用本地 LLM 构建更聪明的检索增强生成系统

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

RAGFlow中的Embeddings模型选择及向量数据库选型与实现分析

2025-06-05

RAG技巧与底层代码剖析

2025-06-06

RAG技术全解析：从基础原理到优化实战

2025-06-05

知识图谱+RAG：大幅提升智能问答系统准确率

2025-06-05

RAGFlow实战：如何根据文档类型选择最佳切片策略？

2025-06-20

从0到1落地一个RAG智能客服系统

2025-06-20

RAG彻底爆了！一文读懂其架构演进及核心要点

2025-07-15

详解RAG五种分块策略，技术原理、优劣对比与场景选型之道

2025-06-24

Agentic RAG：下一代智能检索与生成的革命性突破

2025-06-24

关于 RAGFlow 项目中 RAG 技术的实现分析

2025-06-05

大家都在问

RAG检索后如何应用更有效？

2025-08-28

一文搞懂大模型：何为深入理解RAG？

2025-08-25

别再往AI的知识库塞奇怪的东西了，什么样的知识适合作为RAG知识库？

2025-08-20

当AI学会“查资料”：RAG如何让智能回答更靠谱？

2025-08-11

响应速度提升300%、检索准确率90%：RAG如何让企业知识“活”起来赚钱？

2025-08-05

长文本放提示词中还是采用 RAG？

2025-07-28

AI大模型落地最后一公里：RAG？

2025-07-09

向量相似度检索遇到天花板，是否我们走错了？

2025-07-04

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB