KamaAgenticRAG｜Agentic RAG 项目实战：从知识库问答到智能技术支持助手

很多录友做过这样的 RAG 项目：上传文档，切块，存进向量库，接上大模型，再做一个聊天页面。

跑起来了，也能回答问题。

但面试官往下问几句，就开始不好回答了：

“一次检索没找到答案，怎么办？”

“用户问的是某笔订单的实际状态，知识库里没有，怎么办？”

“查完一条记录，还要拿里面的编号继续查下一张表，这个流程是谁决定的？”

“用户没给账户和环境，你让模型猜，还是让它追问？”

这些问题，恰好也是把 RAG 用到业务里时，会遇到的问题。

所以这次，我在知识星球 (opens new window)里更新了一个新的教学项目：

KamaAgenticRAG：从普通知识库问答，一步步搭出能自主检索、多源调查、多轮追问的智能技术支持助手。

项目围绕一个模拟支付平台 FlowPay 展开。我们把产品文档、支付记录、通知投递记录和运行日志都准备好，带大家亲手实现一条完整的调查链路。

你会看到，Agent 是怎样根据刚查到的结果，决定下一步该查什么的。

Agentic RAG，到底比普通 RAG 多了什么？

这套教程会带你看清三个问题：

1. 要不要查？ 这一轮是否需要检索，什么时候发起检索？
2. 去哪里查？ 搜索词怎么写，是查产品文档、业务表，还是运行日志？
3. 什么时候停？ 继续查、给出回答，还是向用户补充提问？

当检索成为模型可以调用的工具，工具结果又回到下一次模型请求里，问答就能形成这样的循环：

模型判断 → 调用工具 → 读取结果 → 再次判断 → 继续调查或回答。

读完后，你拿到一个 Agentic RAG 项目，就能顺着代码指出：哪些动作由模型决定，哪些边界由程序控制，循环又是怎样结束的。

四个阶段，亲手看到 RAG 怎样变成 Agent

KamaAgenticRAG采用分阶段讲解。同一个应用、同一批数据、同一个网页，提供 s1 到 s4 四套工作流，运行时选择阶段。

每一级都有独立的工作流文件，可以对照着读，也可以切换阶段，用同一道问题观察行为变化。

阶段	做出什么	你会掌握什么
s1 · 朴素 RAG	固定检索，再生成回答	看懂消息组装、证据来源，以及文档问答能解决哪些问题
s2 · 自主检索	模型自主搜索、阅读文档、决定是否继续查	手写 Agent Loop，串起 Function Calling、工具执行和结果回填
s3 · 多源调查	接入业务表与运行日志，根据返回事实继续查询	多源路由、查询依赖、结构化参数、只读访问、预算与去重
s4 · 多轮协作	缺条件时显式追问，补充后继续调查	条件登记、条件更正、等待状态和跨轮检查点恢复

最关键的变化，你能用同一个问题亲自验证。

在 s1 看它能从文档里回答什么，在 s3 看它怎样核实具体业务，再在 s4 看它如何处理用户信息不完整的对话。

s1到s4项目流程

一个真实上线的项目，经常遇到的问题就是：支付成功了，为什么一直没收到通知？

假设用户问：acct_bg_001 生产环境的 pay_bg_001_0003 成功了，但一直没收到通知，为什么？

在 S1 普通RAG上回答是这样的：

查文档，我们能知道 Webhook 的投递规则、重试机制和端点停用条件。

但要回答“这笔支付为什么没收到通知”，还得拿到这笔业务的实际记录。

在这个项目里，Agent 可以先核实支付，再根据返回的编号查关联事件、通知投递，必要时继续查投递尝试日志、端点状态，并查阅文档解释相应规则。

下一步的查询条件，来自上一步工具返回的事实。具体走哪条分支，由模型根据结果选择。

你可以在页面里展开每次工具调用，看到它查了什么、带了哪些参数、返回了哪些记录。

这条从用户问题到业务证据的调查过程，就是这个项目最值得学、也最值得在面试里展开讲的地方。

以下是 在 s3 中运行。截取实际发生的支付、事件、投递等查询，展开其中两次调用的参数和返回值，再配最终回答：

（系统里我使用的是 GPT 6.1 Sol）

到 s4，Agent 可以通过 ask_user 主动索要账户、环境或业务编号，保存等待状态。用户补充后，再恢复历史和条件，继续调查。

如果用户只说：“订单成功了，但一直没收到通知”，缺少查询条件怎么办？

然后我们在继续补充：“生产环境，账户 acct_bg_001，支付 pay_bg_001_0003。”

项目专栏目录

学习计划、项目总览、环境安装、Agentic RAG 原理、s1—s4 四篇实战，以及技术亮点、简历和面试题。

最后再到求职相关：项目的简历写法、项目亮点、本项目常见面试题，都给大家准备好了。

从项目源码到答疑，一条龙服务，不用担心学不会，有什么问题都可以在专属微信群提问：（知识星球 (opens new window)里每个项目都有专属答疑群）

扫如下十元代金券，只需要 196 元，加入知识星球 (opens new window)，你将获得 20+ 套项目教程专栏 + 源码 + 配套答疑。

每个项目平均不到十元钱，而且加入星球的服务远不止这些项目。

加入知识星球后，记得加如下微信，发动付款截图，拉你到星球交流群：

如果你不知道知识星球对自己是否有帮助，可以先加入看看，感受一下星球里的学习氛围。

三天内（72h）可以全额退款。

项目亮点

第一，亲手实现 Agent Loop，把模型和工具之间的链路看透。

教程沿着 think / perform / observe 展开：模型提出动作，程序执行工具，结果回填到消息，再请求模型判断下一步。

工具参数错了、查询被拒绝了、结果为空了，也会成为后续判断的反馈。

你会知道一次工具调用是怎样发生的，也会知道程序怎样约束模型的动作。

第二，九个查询工具，把文档规则和业务事实接到一起。

到 s3，模型可以使用两个文档工具和七个业务、日志工具：

• 搜索文档、阅读整篇文档。
• 查询支付、事件、投递、端点记录。
• 查看 API 请求、投递尝试和平台事故日志。

文档用来理解规则，业务记录用来核实具体对象，日志用来追踪执行过程。

这套思路可以迁移到订单排查、工单助手、内部技术支持等场景：替换数据和工具声明，就有了继续改造的起点。

第三，自主调查有边界：参数校验、只读查询、调用预算和去重。

工具用 JSON Schema 声明参数。业务查询通过登记的数据源、字段白名单和绑定参数执行，访问只读快照。

模型调用和工具查询分别设置预算，重复查询会被拦截。到 s3，每轮最多十次模型请求、八次获准查询，额度接近上限时要求模型收尾。

面试时，你可以具体讲清楚：模型负责选择下一步，程序负责限制它能做什么、能做多少次。

第四，多轮对话里，专门管理用户提供的查询条件。

账户、环境、业务编号会进入结构化条件表。用户更正账户或环境时，项目会按规则清理相关旧编号，并提示模型按新条件重查。

ask_user 把追问变成一个有参数的动作，通过检查点保存等待状态，用户回复后启动新一轮调查。

教程还会讲清当前规则的适用范围，方便你继续改进自然语言条件识别和旧结果失效逻辑。

第五，执行过程可以回查，页面断线后可以补回进度。

用户输入、模型请求与响应、工具参数与结果、运行状态都会写入事件日志。网页通过 SSE 接收已持久化事件，恢复连接后按序号补读并去重。

当答案出错时，你能沿着过程检查：检索有没有漏、查询条件有没有错、模型有没有误读工具结果。

项目还包含请求幂等受理、事务化检查点，以及后端中断后从已提交检查点显式重跑的处理。这些内容，也能成为你讲后端工程设计的切入点。

第六，配套 300 道评测题，练习怎样判断一个 AI 项目有没有变好。

换提示词、增加工具、放开循环后，回答质量、调用成本和延迟都会变化。

项目提供带标准答案和证据编号的题集，以及评测脚本，让你练习检查关键证据、调查过程和最终结论，并结合失败案例做人工核查。

这能让你的项目介绍多一层依据：做了什么改动，用什么方法比较，哪些题改善了，哪些题仍然答不好。

项目配套

数据和工程骨架都准备好了，你可以把精力放在核心机制上

不少人学 AI 项目，第一步就卡在“没有像样的数据”。

这次我们提供一套围绕同一业务规则构建的模拟数据：

配套资料	规模与用途
产品文档	100 篇，涵盖接口、排障、业务规则、案例和版本记录
知识索引	712 个片段，数据包包含预计算向量和知识库 dump
业务快照	17 张只读业务表、四份运行日志，提供具体业务调查材料
评测题集	300 道题，附标准答案与证据编号
数据模拟器	随数据包提供，便于理解业务快照怎样生成

后端使用 Python + FastAPI，知识库使用 PostgreSQL + pgvector，前端使用 React + TypeScript，通过 Docker Compose 启动。

聊天模型走 OpenAI-compatible 协议，支持通过配置更换兼容服务。准备好 Docker 和模型 API Key，就可以按环境教程运行项目；模型调用费用由所接入的服务另行计费。

主线放在四个工作流文件里，底层能力按需查阅。你可以先理解循环和调查过程，再深入模型协议、知识检索、数据源和事件存储。

做完以后，简历上可以写什么？

这个项目已经配好了技术亮点、简历项目经历和 26 道常见面试题与参考答案。

学完并动手完成后，你可以围绕这些工作展开自己的项目经历：

• 手写 Agent Loop，实现自主检索和多步业务调查。
• 接入文档、业务表与日志，让后续查询使用前一步返回的事实。
• 实现工具参数校验、只读访问、调用预算和查询去重。
• 用结构化条件与 ask_user 实现多轮追问和调查恢复。
• 用事件日志和 SSE 展示运行轨迹，处理重复提交与断线补读。

面试官继续问“为什么不把业务表全部放进向量库”“循环怎么防止一直查”“用户改了账户，旧结果怎么办”，你都能回到具体实现里讲。

更有价值的是，你能把设计、运行结果和改进方向连起来讲。

适合谁来学？

如果你正在准备实习、校招或社招，希望做一个有业务场景、能展示调查过程、能深入讲设计的 AI 项目，这个项目适合你。

如果你已经做过知识库问答，想进一步掌握工具调用、多源查询和多轮状态管理，可以沿着这四个阶段继续往下学。

如果你想把 AI 接到自己的业务数据上，这套项目也提供了可参考的工具设计、数据访问策略和评测思路。

建议具备基本编程能力。后端主线用 Python 实现，Java、C++、Go 方向的同学也可以学习，但需要补上阅读 Python 代码的基础。

按教程的学习计划，每天投入一到两小时，主线大约两周；具体进度取决于你是否动手修改代码、重跑和分析结果。

我建议大家至少完成一次这样的练习：给 s3 增加一个业务查询工具，让它在新问题上用起来，再从轨迹中确认它有没有查对。

走到这一步，你就能开始把项目改成自己的版本。

项目专栏

项目专栏把 简历写法、项目亮点、常见面试题 都准备好了，大家做完这个项目可以直接用。

本项目分成五个大阶段完成，每一阶段都有详细讲解：

开篇讲解 项目背景、如何运行项目、以及学习计划：

接下来就是分为 五部，循序渐进去学习：

s0 Agentic RAG 基础：

s1 朴素 RAG：

s2 自主检索

s3 多源调查

s4 多轮协作

简历写法、技术亮点、面试问题都有整理：

加入知识星球，获取完整项目

这次的 Agentic RAG 教学项目，已经更新到知识星球 (opens new window)。

从环境安装、项目源码、配套数据，到 s1—s4 阶段实战，再到技术亮点、简历写法和面试题，学习路径都给大家准备好了。遇到问题，可以在星球里提问交流。

如果你正准备做一个 AI 项目，我建议你从这个项目开始：先跑出第一个回答，再亲手把它升级成能查业务、追日志、主动追问的助手。

每个项目平均不到十元钱，而且加入星球的服务远不止这些项目。

加入知识星球后，记得加如下微信，发动付款截图，拉你到星球交流群：

如果你不知道知识星球对自己是否有帮助，可以先加入看看，感受一下星球里的学习氛围。

三天内（72h）可以全额退款。

知识星球 APP 右上角自己申请退款，一个小时到账，全程无套路。

记得是三天内（72h）才能退款。

QA

1、这个项目有视频吗？

主要项目讲解为文字专栏的方式。

项目有专属答疑微信群，不懂得的地方可以在群里提问，我们都会答疑。

2、这个项目用什么语言开发？

Python

3、KamaAgenticRAG项目用Python实现，有其他语言版本吗？

本项目关键在于Rag 和 Agent的原理，面试官不会问你 你用什么语言实现的。

就像大家目前看到 Claude原理的文章，没有人会重点强调这是用什么语言实现的，而是强调Claude 这个agent的原理。

所以 在开发 KamaAgenticRAG，我们考虑使用python，就是因为python最容易上手。

4、我是C++、Java、Go或者其他语言选手，能做这个项目吗？

如果是 C++、Java、Go或者其他语言选手，做个项目没问题，这个项目写简历上，面试官也不会问你语言问题，而是聚焦RAG 和 Agent的设计与实现。

我们项目专栏上，简历写法，项目亮点，都不强调编程语言，都聚焦Agent原理。