RAG 接入 Bread Agent（终章）

如果想获取全套课程资料，请关注微信公众号 「AI面包君」，回复 「课程资料」 即可领取。

1. 把知识库检索交给工具调用循环

前面每个问题都按“先检索、再回答”处理。现在加入 Agent，让它根据问题判断是否需要查询，也能在需要时继续检索。

但真实场景里：

用户输入	应该查知识库吗
"你好"	❌ 闲聊，不用
"今天天气怎样"	❌ 与业务无关
"加盟费多少？"	✅ 业务问题
"你们 vegan 选项有什么？"	✅ 业务问题
"上一问的学徒，工资呢？"	✅ 上下文延续
"再问一遍刚才的问题"	❌（上一轮已经查过，不用再查）

这种把检索放进 Agent 决策过程的做法，常被称为 Agentic RAG。先从一个检索工具开始观察就可以。

把 hybrid search 封装成 search_knowledge_base(query)，再注册到 Bread Agent 的工具循环中。模型提出调用时，程序检索资料并返回，下一轮再根据结果回答。

<!-- bread-visual:start -->

图解： 由模型决定是否检索；必要时可以继续追问知识库。 图中分支表示可能的决策；是否检索由模型与提示词共同决定。

<!-- bread-visual:end -->

---

2. 跑起来

cd ch05_with_agent
python main.py

第一次运行会建库并保存 pkl。之后可加载文档索引，省去重新向量化文档的步骤。

试这一组对话：

你 > 你好，今天天气怎么样
AI > 你好！我是 Bread 面包工坊客服...天气信息我没法提供...
                                              ↑ 没调工具

你 > 加盟费多少？培训要多久？
  [step 0] search_knowledge_base(query='加盟费多少')
  [step 0] search_knowledge_base(query='培训要多久')
                                              ↑ 自己分了 2 次查
AI > 知识库里没有相关加盟费和培训信息...建议邮件 HR

你 > 学徒呢？工资多少
  [step 0] search_knowledge_base(query='烘焙学徒工资待遇')
                                              ↑ 自己理解了"学徒"=上一轮延续
AI > 烘焙学徒月薪 6-9k，包食宿...[hr_policy.md]

3 件关键事情发生了：

1. 闲聊不调工具 —— agent 主动判断"不需要查"
2. 一次提问可能多次查 —— agent 自己拆问题
3. 多轮上下文影响检索 query —— agent 从对话历史里抽出"学徒"作为新 query

这就是 Bread Agent 的工具调用循环 + Bread RAG 的检索能力合体后的效果。

---

3. 对照代码看实现

把 RAG 包成工具