【RAG Agent实战】告别“单线程”RAG：用查询理解与LangGraph构建能处理复杂意图的高级代理
在大模型的世界里，检索增强生成（RAG）已是众所周知的明星。它通过外挂知识库，有效缓解了模型的幻觉问题，并实现了知识的实时更新。然而，当我们兴致勃勃地将一个基础的RAG应用投入真实场景时，往往会发现一个尴尬的现实：用户从不按常理出牌。
基础RAG就像一个勤奋但有点“一根筋”的图书管理员。你问他“请告诉我关于A的信息”，他能迅速、准确地找到相关书籍。但如果你的问题变成：
- “A和B有什么区别？” (多主体比较）
- “介绍下A，顺便查查B的最新进展。” ( 多意图并行)
- （上一轮问完A之后）“那它的主要竞品呢？” ( 主语缺省/指代不明）
这位“图书管理员”可能瞬间宕机，因为他的核心指令——
向量检索(query)——无法处理这种复杂性。他可能会将两个意图粗暴地混合，检索出一些不伦不类的文档，最终生成一段不知所云的答案。这正是当前许多RAG应用的核心痛点：缺乏对用户真实、复杂查询的深度理解能力。
本文将带你跳出“检索-生成”的线性思维，引入一个至关重要的前置模块——查询理解（Query Understanding），并利用强大的图状状态编排框架 LangGraph，构建一个能够从容应对多意图、上下文依赖等复杂场景的RAG Agent。