G4-RAG：自适应分块与Agentic工作流增强的检索增强生成系统

G4-RAG是一个改进的检索增强生成系统，针对传统RAG架构的痛点提出优化方案。核心改进包括：采用自适应分块策略解决文档语义完整性问题；使用FAISS向量检索+余弦相似度重排序平衡效率与检索质量；通过Pydantic AI扩展Agentic工作流支持多步推理与工具调用；采用ROUGE和BERTScore进行系统评估。项目旨在构建更鲁棒高效的RAG系统，为实际应用提供可靠解决方案。

检索增强生成（RAG）是LLM应用的主流架构之一，通过结合外部知识检索缓解知识截止和幻觉问题。但传统RAG面临文档分块粒度选择、检索结果相关性排序、多轮对话上下文维护等挑战。G4-RAG针对这些痛点提出改进方案，提升系统性能。

传统固定长度分块易破坏语义完整性（如拆分段落/代码块）。G4-RAG采用自适应分块：根据文档结构（段落、章节、代码块等自然边界）动态调整切分；针对结构化文档识别标题层级；分析信息密度平衡chunk大小，在完整性与检索精度间取得平衡。

G4-RAG采用两阶段检索策略：第一阶段用FAISS快速召回候选chunk（高效近似最近邻搜索）；第二阶段通过余弦相似度重排序精细评估语义相关性。此策略既保证响应速度，又提升检索结果质量，弥补FAISS近似搜索的边界不足。

传统RAG多为单轮流程，G4-RAG通过Pydantic AI实现Agentic工作流：支持多步推理（根据查询复杂度决定单/多轮检索）；可调用外部工具（网络搜索、数据库查询等）扩展能力；Pydantic AI提供类型安全的Agent定义，降低开发维护成本。

G4-RAG用ROUGE（n-gram重叠度）和BERTScore（语义相似度）评估：ROUGE反映表面忠实度，BERTScore捕捉语义等价性。评估结果验证了自适应分块、两阶段检索、Agentic扩展的效果，尤其在复杂查询中Agentic工作流显著提升回答完整性与准确性。

G4-RAG适用于企业知识库问答（处理长文档+复杂业务问题）、学术研究辅助（文献定位+综合信息生成）、客户服务（快速响应+多知识库查询）。项目开源实现提供可复用组件，帮助开发者增强现有RAG系统能力。

G4-RAG的改进方向（自适应分块、两阶段检索、Agentic扩展）相互协同：分块奠定检索基础，精确检索支撑Agentic推理，Agentic能力指导智能检索。项目为RAG架构演进提供参考，展示工程优化与架构创新对知识增强系统的价值。