阶段：G4-工具与外部生态 ｜ 预计耗时：90 分钟（含一次性安装建库）｜ 前置：G4-01 结构化输出与工具进阶 新依赖：
pip install langchain-text-splitters chromadb sentence-transformers -i https://pypi.tuna.tsinghua.edu.cn/simple代码：要你自己敲成langgraph-learn/examples/g4_rag.py这是 G7 实战项目 A（知识库问答）的技术地基——企业 RAG 是调研里 Top3 技能
学习目标
- 跑通最小 RAG 链路：文档切块 → 向量化入库 → 检索 → 带引用回答
- 把检索包成图里的一个节点，与"不够好就改写重查"的循环结合（这才是 LangGraph 做 RAG 的独特价值）
- 本机性能预期：bge-small 模型约 100MB，CPU 上完全可用
核心知识
1. 最小 RAG 四步
# ① 切块：长文档切成小段（中文约 300-500 字一段，带重叠）
from langchain_text_splitters import RecursiveCharacterTextSplitter
chunks = RecursiveCharacterTextSplitter(chunk_size=400, chunk_overlap=50).split_text(doc_text)
# ② 向量化：中文用 bge-small-zh（CPU 可跑）
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("BAAI/bge-small-zh-v1.5") # 首次下载约 100MB
vectors = model.encode(chunks, normalize_embeddings=True)
# ③ 入库：Chroma 本地向量库（存 E 盘，不占 C）
import chromadb
col = chromadb.PersistentClient(path="./chroma_db").get_or_create_collection("kb")
col.add(documents=chunks, embeddings=vectors.tolist(), ids=[f"c{i}" for i in range(len(chunks))])
# ④ 检索：问题→向量→最近邻
hits = col.query(query_embeddings=model.encode([q]).tolist(), n_results=3)
回答时把命中文本贴进 prompt，并要求模型标注引用了哪几段——溯源是交付的硬要求。
2. 为什么不是"链"而是"图"：自适应循环
朴素 RAG 检索质量差就硬着头皮回答。LangGraph 版可以：
grade（检索质量评分节点，用结构化输出打 0-10 分）
├─ ≥6 → answer 节点（带引用回答）
└─ <6 → rewrite 节点（改写问题）→ 回 retrieve（最多重试 2 次）→ 还不行 → 如实告知
"不够好自动改写重查"就是 G1-03 条件边循环的直接应用——链式框架做不到，图天然支持。
实验任务
任务 1：建库（30 分钟，一次性）
找 3 篇真实资料（产品手册/规章制度任意，共约 5000 字），走完 ①②③ 建好本地库。首次下载 bge 模型约 100MB，走 hf-mirror：export HF_ENDPOINT=https://hf-mirror.com。
任务 2：朴素问答（20 分钟）
写 g4_rag.py：检索 top3 → 拼 prompt → 回答。准备 3 个问题：2 个库里有的、1 个库里没有的——没有的那个模型如果一本正经编答案，你就亲眼见到了 RAG 要解决的第二个问题（拒答）。
任务 3：加质量循环（30 分钟）
- 加
grade节点（结构化输出：relevance 0-10 + 理由） - 加条件边：低分 → rewrite → retrieve（上限 2 次）；高分 → answer
- 用"库里没有"的问题测试：应最终走到"如实告知"分支而不是编造
验收标准
衔接下一阶段
知识接上了 → G4-03 MCP 与多模型路由：接标准生态 + 省钱架构。