LangChain Blog
·
超越RAG：利用LangGraph实现智能知识检索的代理搜索
💡
原文英文，约2600词，阅读约需10分钟。
📝
内容提要
Onyx通过AI助手提升企业数据生产力，利用LangGraph分解复杂问题并优化知识检索，支持多源文档连接，帮助用户快速获取信息，提高工作效率。
🎯
关键要点
- Onyx通过AI助手提升企业数据生产力，连接多源文档，支持知识检索。
- Onyx的目标是增强企业搜索和知识检索能力，解决复杂和模糊问题。
- 新Agent Search通过将问题分解为子问题来提高答案质量和上下文细节。
- 在技术选择中，Onyx选择了LangGraph作为实现框架，因其开源、社区强大和高控制性。
- 项目中采用了一节点一文件的代码组织方式，以便于管理复杂图形。
- 使用Pydantic进行类型和状态管理，确保节点状态更新的清晰性。
- 并行处理是实现高效流程的关键，使用子图来优化执行时间。
- 流式处理用于提供良好的用户体验，支持实时事件流。
- Onyx计划在未来扩展Agent Search的功能，提升其智能化水平。
❓
延伸问答
Onyx的AI助手如何提升企业的数据生产力？
Onyx通过连接多源文档，支持知识检索，帮助用户快速获取信息，从而提升数据生产力。
LangGraph在Onyx项目中的作用是什么？
LangGraph作为实现框架，帮助Onyx分解复杂问题，优化知识检索，并支持高控制性和并行处理。
Onyx的Agent Search是如何提高答案质量的？
Agent Search通过将复杂问题分解为子问题，聚焦于更窄的上下文，从而提高答案的质量和细节。
Onyx在未来有哪些扩展计划？
Onyx计划扩展Agent Search的功能，提升其智能化水平，可能引入用户交互等新特性。
Onyx如何处理复杂和模糊的问题？
Onyx通过分解问题、提供上下文和细节，来处理复杂和模糊的问题，提高搜索和知识检索能力。
在Onyx项目中，如何确保节点状态更新的清晰性？
Onyx使用Pydantic进行类型和状态管理，以确保节点状态更新的清晰性。
➡️
