本文详解如何将 pinecone 等向量数据库的检索能力作为工具注入 langchain 结构化聊天 agent，使 react 智能体既能自主规划调用工具，又能实时获取外部知识库中的语义相关上下文。
本文详解如何将 pinecone 等向量数据库的检索能力作为工具注入 langchain 结构化聊天 agent，使 react 智能体既能自主规划调用工具，又能实时获取外部知识库中的语义相关上下文。
LangChain 的 ReAct Agent（如 create_structured_chat_agent）本身不直接接收 retriever 或向量索引，但它支持任意符合 LangChain Tool 协议的工具——这意味着，只需将向量检索器封装为标准工具，即可无缝接入 Agent 的决策与执行流程。
核心思路是：利用 create_retriever_tool 将 vector_store.as_retriever() 转换为具备名称、描述和可调用接口的 Tool 对象，并将其加入 tools 列表。Agent 在运行时会根据用户问题自动判断是否需要调用该检索工具，并将返回的文档片段作为推理依据。
以下为完整实现步骤：
✅ 步骤 1：准备 LLM 与向量检索器
from langchain_openai import ChatOpenAI
from langchain_community.vectorstores import Pinecone
llm = ChatOpenAI(temperature=0.1, model_name="gpt-4")
# 假设 vector_store 已连接 Pinecone 索引
retriever = vector_store.as_retriever(
search_type="similarity",
search_kwargs={"k": 3} # 检索 top-3 相关文档
)✅ 步骤 2：将检索器封装为 Agent 工具
from langchain.tools.retriever import create_retriever_tool
retriever_tool = create_retriever_tool(
retriever=retriever,
name="knowledge_base_search",
description=(
"用于查询公司内部知识库的语义检索工具。"
"当用户问题涉及产品文档、API 说明、历史案例或领域专有概念时，应使用此工具。"
"输入应为简洁、明确的自然语言查询词（无需添加前缀如'请检索...'）。"
)
)⚠️ 注意事项：
- name 必须为合法标识符（仅含字母、数字、下划线），且不能与其它工具重名；
- description 至关重要——它决定了 Agent 是否理解何时调用该工具。务必清晰说明适用场景与输入格式；
- 若需多源检索（如同时查文档库 + 数据库），可创建多个 retriever_tool 并统一加入 tools。
✅ 步骤 3：构建并运行结构化聊天 Agent
from langchain import hub
from langchain.agents import create_structured_chat_agent, AgentExecutor
prompt = hub.pull("hwchase17/structured-chat-agent")
tools = [retriever_tool] # ✅ 关键：此处传入封装好的检索工具
agent = create_structured_chat_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({
"input": "LangChain v0.1 中 DocumentLoader 的异步加载方式有哪些？",
"chat_history": chat_history
})
print(result["output"])Agent 执行过程中将自动完成：
? 分析问题语义 → 判断需查阅知识库
? 调用 knowledge_base_search 工具，传入原始问题作为 query
? 接收检索返回的 Document 列表（含 page_content 和 metadata）
? 将文档内容整合进系统提示，辅助 LLM 生成准确回答
✅ 补充建议
- 如需增强检索质量，可在 retriever 中启用 rerank（如 CohereRerank）或 hybrid_search（关键词+向量）；
- 对于长上下文场景，建议在 retriever_tool 描述中强调“返回结果已按相关性排序，优先参考前两条”；
- 可结合 RunnablePassthrough 或自定义 Tool 实现预处理（如 query 重写、同义扩展），进一步提升召回率。
通过该方案，你不再需要在 ConversationalRetrievalChain 和 ReAct Agent 之间二选一——而是让 Agent 成为“懂检索、会推理、能行动”的统一智能接口。
