function-agent-rag：基于多智能体协作的PDF问答系统

本文介绍了一个名为function-agent-rag的开源多智能体PDF问答系统，基于LlamaIndex框架构建。该系统创新性地采用双检索器架构（BM25+向量检索）、属性图索引机制，以及研究者-写作者双智能体工作流，旨在解决传统文档问答中的幻觉问题，提供精准且有依据的回答。其应用场景涵盖企业知识库、学术研究、法律文档分析、医疗文献查询等多个领域。

在信息爆炸时代，传统关键词搜索无法满足复杂查询需求；基于大语言模型的问答系统易出现"幻觉"（生成与文档不符的内容）。检索增强生成（RAG）技术虽能缓解此问题，但简单RAG难以处理复杂多步骤查询，因此多智能体协作架构的价值逐渐显现。

function-agent-rag采用混合检索策略：

1. 双检索器架构：结合BM25（基于词频统计，擅长精确关键词匹配）和向量检索（基于语义编码，理解深层含义），平衡精确匹配与语义理解，提升检索召回率和准确性。
2. 属性图索引：提取文档中的实体（人名、组织、概念等）及其关系，支持结构化信息提取、多跳推理（回答需连接多个信息点的复杂查询）和上下文增强。

系统将问答任务分为两个角色：

• 研究者智能体：接收用户查询，使用双检索器和属性图索引查找相关文档片段，评估信息相关性和可靠性，整理成结构化研究报告（可调用关键词搜索、语义搜索、图查询等工具）。
• 写作者智能体：基于研究者提供的报告生成最终答案，专注于组织信息为连贯易懂的内容，避免幻觉问题。 两智能体通过明确接口协作，类似人类研究团队，提升问答质量且行为透明可解释。

function-agent-rag适用于多种场景：

• 企业知识库问答：帮助员工快速查找内部文档（政策、技术文档、项目报告等）。
• 学术研究辅助：助力研究人员理解论文核心内容、找到相关研究或跨领域联系。
• 法律文档分析：快速检索合同、判例、法规等，获取精准法律依据。
• 医疗文献查询：从医学文献中找到病症治疗方案、药物相互作用等关键信息。

相比传统RAG系统，function-agent-rag有以下优势：

1. 准确性提升：研究者-写作者分离架构确保答案有可靠文档依据。
2. 复杂查询处理：属性图索引支持多跳推理，应对综合多信息源的复杂问题。
3. 检索质量优化：双检索器平衡精确匹配与语义理解需求。
4. 可扩展性：函数调用机制便于扩展新工具和数据源。
5. 透明可解释：智能体分工明确，用户可追溯答案来源和推理过程。

function-agent-rag是GitHub上的开源项目，为RAG技术提供参考实现。其模块化设计鼓励社区贡献，开发者可方便替换或扩展组件（如嵌入模型、检索策略、智能体角色等）。

function-agent-rag代表了RAG技术从简单检索-生成模式向多智能体协作模式的演进方向。随着大语言模型和智能体技术的成熟，此类创新将推动文档问答系统向更高水平发展。