本文介绍了Agentic RAG一种无需向量化检索的轻量级方案通过结构化内存数据库实现高效检索和生成。文章以餐厅智能推荐系统为例详细阐述了Agentic RAG的理论基础和实现过程展示了其技术降本、灵活扩展和敏捷验证的核心价值适合中小规模数据业务场景和快速验证想法的团队参考。传统RAG检索增强生成依赖向量化检索流程复杂且资源消耗大。而Agentic RAG提供了一种更轻量的替代方案——无需向量化仅需结构化内存数据库即可实现高效检索生成。图片源于LLM大模型Agentic RAG在传统RAG流程的基础上加入了一个重要角色——Agent智能体。它不仅能检索还能根据任务动态选择工具、拆解问题、调用外部API甚至多轮迭代优化结果。这意味着它可以不依赖大型向量数据库根据不同任务走不同的推理路线对数据源和API灵活切换本期给大家分享的是由和鲸社区创作者 StarTap 分享的Agentic RAG 全面教程从理论到实战项目中的餐厅智能推荐系统就是一个典型例子。创作者主页https://www.heywhale.com/u/5ed64b项目指路https://www.heywhale.com/u/745b40推荐理由项目中不仅清晰说明了Agentic RAG的理论基础包含技术架构、工作原理以及与传统RAG的区别还用极简的实现方式构建了一个基于Agentic RAG思路的餐厅推荐系统而且完全无需向量化检索逻辑清晰、执行效率高十分适合中小规模数据的业务场景。对于需要快速验证想法、构建轻量级智能推荐功能的团队来说这将是一个很好的参考案例。左滑查看更多项目内容系统设计思路整个系统的核心逻辑非常直接用户用自然语言描述需求人数、人均价格、菜系系统从内存数据库中筛选符合条件的餐厅用大模型包装检索结果生成友好、准确的中文回复关键在于数据检索是纯Python条件过滤不需要向量化。知识源准备项目中用了一个简化的餐厅数据集每条数据包含餐厅名称、分店名称、地址联系电话人均消费菜系类型编码适合人数数据示例Python表示restaurants [ {shopType: 10,shopName: 居民楼火锅,branchName: 万松园店,address: 万松小区,phoneNo: 17771857933,phoneNo2: 18871569657,avgPrice: 50,suitableFor: 3 }, {shopType: 10,shopName: 重庆老火锅,branchName: 江汉路店,address: 江汉路步行街,phoneNo: 13800138000,avgPrice: 60,suitableFor: 4 } ]核心实现1、检索函数它的工作很直接按菜系、人数、人均价格范围过滤餐厅。价格范围放宽到 ±20%增加匹配灵活性。def query_restaurants(numOfPeople: int, avgOfAmount: int, cuisine_type: str) - list: results [] type_code CUISINE_TYPE_MAP.get(cuisine_type, None)if type_code is None:return []for restaurant in restaurants:if restaurant[shopType] ! type_code:continue if restaurant[suitableFor] numOfPeople:continue if not (0.8 * avgOfAmount restaurant[avgPrice] 1.2 * avgOfAmount):continue results.append(restaurant)return results2、参数抽取通过正则匹配从用户输入中抽取关键信息比如“3个人”“人均50”“重庆火锅”等。def extract_query_params(user_input: str):import re num_match re.search(r(\d)\s*人, user_input) numOfPeople int(num_match.group(1)) if num_match else 2 avg_match re.search(r人均(\d), user_input) avgOfAmount int(avg_match.group(1)) if avg_match else 50 cuisine_type None for k in CUISINE_TYPE_MAP.keys():if k in user_input: cuisine_type kbreak if not cuisine_type: cuisine_type list(CUISINE_TYPE_MAP.keys())[0]return numOfPeople, avgOfAmount, cuisine_type3、大模型API调用这里的亮点是流式输出让推荐结果像聊天一样即时出现。from openai import OpenAI from dotenv import load_dotenv import os def run_agentic_rag(): load_dotenv()print(欢迎使用 Agentic RAG 餐厅推荐系统无需向量化\n)while True: user_input input(请输入您的需求)if user_input.strip().lower() q:break numOfPeople, avgOfAmount, cuisine_type extract_query_params(user_input) results query_restaurants(numOfPeople, avgOfAmount, cuisine_type)if results: r results[0] answer f按您的要求我找到了{r[shopName]}{r[branchName]}位于{r[address]}电话是{r[phoneNo]}是一家{cuisine_type}人均消费{r[avgPrice]}元适合{r[suitableFor]}个人用餐。else: answer 没有找到符合条件的餐厅。 system_prompt 你是餐饮推荐专家请根据用户需求和检索到的结果生成简洁、友好、准确的中文回复。 messages [ {role: system, content: system_prompt}, {role: user, content: f用户需求{user_input}\n检索结果{answer}} ] client OpenAI( api_keyapi_key, base_urlhttps://aistudio.baidu.com/llm/lmapi/v3, ) completion client.chat.completions.create( modeldeepseek-r1, messagesmessages, streamTrue, )for chunk in completion:if len(chunk.choices) 0:if hasattr(chunk.choices[0].delta, reasoning_content) and chunk.choices[0].delta.reasoning_content:print(chunk.choices[0].delta.reasoning_content, end, flushTrue)else:print(chunk.choices[0].delta.content, end, flushTrue)print()⚠️由于openai版本原因在fork项目时需手动升级安装最新版openai通过这个轻量级的餐厅推荐系统案例我们可以看到Agentic RAG的核心价值技术降本用结构化数据条件检索替代向量化节省算力与存储开销尤其适合中小规模场景。灵活扩展通过修改数据源或检索逻辑可快速适配酒店推荐、活动匹配等同类需求。敏捷验证无需复杂基础设施一个Python脚本即可验证智能推荐的核心流程。项目直通车小程序Agentic RAG全面教程从理论到实战网页https://www.heywhale.com/u/745b40(复制到浏览器打开)如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取