Операционная система памяти для LLM и AI-агентов: хранит, находит и управляет долговременной памятью в виде редактируемого графа.
GiovanniPasq/agentic-rag-for-dummies
Модульный учебный проект по Agentic RAG на LangGraph: иерархическая индексация, память диалога и уточнение запросов.
- Звёзды
- 4,268
- Форки
- 587
- Открытые issues
- 0
- Последний коммит
- 3 дня назад
Что это?
Agentic RAG for Dummies — обучающий материал и расширяемый проект, который показывает, как создать систему генерации с дополненной выборкой, где агент сам решает, когда и как искать информацию в документах. Проект включает интерактивный ноутбук для пошагового обучения и модульную кодовую базу, в которой можно независимо заменить LLM-провайдера, модель эмбеддингов, конвертер PDF и рабочий процесс агента.
Конвейер индексации разбивает Markdown-документы на крупные родительские фрагменты по заголовкам и небольшие дочерние фрагменты для поиска. Так запросы находят точные отрывки, а ответы формируются с учетом окружающего контекста. При обработке запроса рабочий процесс на LangGraph суммирует историю диалога, переформулирует неоднозначные вопросы и вопросы из нескольких частей, а при необходимости приостанавливается, чтобы запросить уточнение у пользователя. Параллельные подграфы агентов обрабатывают каждый подзапрос, применяя самокоррекцию и сжатие контекста, а также соблюдая жесткие ограничения на число вызовов инструментов и итераций.
Приложение запускается с Ollama для локальных моделей и использует Qdrant с гибридным поиском по плотным и разреженным векторам (BM25). В проекте есть примеры для моделей OpenAI, Anthropic и Google, а также документация по наблюдаемости с Langfuse и оценке на основе RAGAS.
Ключевые возможности
- 01Иерархическая индексация: поиск по небольшим дочерним фрагментам с возвратом более крупных родительских фрагментов для контекста.
- 02Переформулирование и уточнение запросов, в том числе приостановка работы, чтобы запросить у пользователя недостающие сведения.
- 03Параллельные подграфы агентов, разбивающие сложные вопросы на подзапросы.
- 04Самокоррекция с повторным поиском, если первоначальных результатов недостаточно.
- 05Сжатие контекста и суммаризация диалога для сокращения промптов.
- 06Поддержка локальной работы с Ollama и примеры для моделей OpenAI, Anthropic и Google.
Сценарии использования
- Изучение структуры агентных RAG-процессов на LangGraph.
- Создание прототипа чат-бота для ответов на вопросы по документам в формате PDF.
- Основа для собственной RAG-системы, в которой нужно заменять модель или слой поиска.
- Сравнение качества поиска и ответов с помощью оценки RAGAS.
Быстрый старт
- 1
Установите Ollama с официального сайта
- 2
Загрузите локальную модель по умолчанию
ollama pull granite4.1:8b - 3
Установите зависимости Python для ноутбука (выполняйте ячейки руководства по порядку)
pip install -qU langchain-openai
Что важно знать
- Рабочее приложение рассчитано в первую очередь на Ollama и требует локальную модель; небольшие модели менее 8B могут галлюцинировать или игнорировать инструкции по поиску.
- Для облачных провайдеров нужны собственный API-ключ и оплата использования.
- В README проект описан как учебное руководство, поэтому для использования в production модульное приложение может потребовать адаптации.
Темы
Частые вопросы
- Что такое agentic-rag-for-dummies?
- Модульный учебный проект по Agentic RAG на LangGraph: иерархическая индексация, память диалога и уточнение запросов. Agentic RAG for Dummies — обучающий материал и расширяемый проект, который показывает, как создать систему генерации с дополненной выборкой, где агент сам решает, когда и как искать информацию в документах. Проект включает интерактивный ноутбук для пошагового обучения и модульную кодовую базу, в которой можно независимо заменить LLM-провайдера, модель эмбеддингов, конвертер PDF и рабочий процесс агента.
- agentic-rag-for-dummies можно использовать бесплатно? Какая у него лицензия?
- agentic-rag-for-dummies распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- agentic-rag-for-dummies всё ещё поддерживается?
- Активно поддерживается. Последний коммит в agentic-rag-for-dummies — 17 окт. 2026 г..
- Для чего можно использовать agentic-rag-for-dummies?
- Изучение структуры агентных RAG-процессов на LangGraph. Создание прототипа чат-бота для ответов на вопросы по документам в формате PDF. Основа для собственной RAG-системы, в которой нужно заменять модель или слой поиска. Сравнение качества поиска и ответов с помощью оценки RAGAS.
- Как установить agentic-rag-for-dummies?
- Установите Ollama с официального сайта Загрузите локальную модель по умолчанию: ollama pull granite4.1:8b Установите зависимости Python для ноутбука (выполняйте ячейки руководства по порядку): pip install -qU langchain-openai
- Где скачать agentic-rag-for-dummies?
- Исходный код и инструкции по установке — на GitHub: https://github.com/GiovanniPasq/agentic-rag-for-dummies
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Библиотека на Python и интерактивный учебник в Jupyter с 35 архитектурами агентного ИИ — от Reflexion и ReAct до MemGPT и BrowserAgent — на базе LangGraph.
Слой памяти для AI-агентов и приложений, который хранит и извлекает контекст пользователей, сессий и агентов между диалогами.
Полностью локальный веб-ассистент для исследований: выполняет циклы поиска, суммаризации и анализа пробелов с помощью LLM, запущенных через Ollama или LM Studio.
Подборка из более чем 50 запускаемых учебных Jupyter-ноутбуков по методам создания GenAI-агентов — от простых чат-ботов до мультиагентных систем.
Подборка из 28 практических руководств по переходу от прототипа GenAI-агента к продакшену: память, RAG, развёртывание, безопасность и наблюдаемость.