从原生RAG到智能体RAG：LangChain与LangGraph的渐进式学习路径

介绍开源项目native-to-agentic-rag，该项目提供从基础LangChain检索流程到具备质量评估、路由决策和网络回退能力的LangGraph智能体工作流的清晰学习路径，解决开发者入门时简单RAG示例理想化、复杂智能体系统难理解的困境，聚焦论文搜索与阅读场景（语料库含经典NLP论文），分两阶段帮助系统掌握RAG演进路径。

项目定位为"学习路径"而非"最终演示"，作者TheAlanWang意识到直接跳入复杂智能体架构易让学习者困惑，因此拆分为两阶段：第一阶段教授检索基本机制，第二阶段展示通过图编排添加智能决策层；聚焦论文搜索场景，语料库包含《Attention Is All You Need》和BERT等经典NLP论文，让学习者在真实知识问答场景理解RAG演进。

用LangChain构建线性流程，核心目标是理解文档→分块→嵌入→向量存储→问答生成的核心循环；具体流程：文档加载（Markdown转Document对象）、文本分块、嵌入生成（Ollama的embeddinggemma模型）、Chroma向量存储、问答生成（qwen3:4b模型）；刻意省略高级功能（文档质量评估、网络搜索回退、幻觉检测、图逻辑），让初学者专注核心机制。

用LangGraph构建有状态智能体工作流，具备多层面智能：文档相关性评分（过滤低价值上下文）、条件路由（本地检索质量不足时触发Tavily网络搜索）、答案质量检查（幻觉检测和充分性评估）；关键概念是LangGraph的共享状态机制（节点可读写共享状态）和条件边（动态选择下一步路径），实现非固定流程的自适应决策。

共享技术栈：Python、Ollama本地模型服务、LangChain文档处理、Chroma向量存储；第二阶段新增LangGraph状态编排、Firecrawl论文抓取、Tavily网络搜索；架构差异：原生RAG是线性管道，智能体RAG是带条件分支的图；原生无回退行为和失败处理，智能体有网络回退、重试、质量检查等恢复路径；心智模型从线性流程转为状态+节点+边+条件路由。

新手从第一阶段开始建立基线理解；有检索基础者快速浏览第一阶段获取仓库上下文，重点投入第二阶段；阅读顺序：第一阶段README→index_part.py和query_part.py（理解实现细节），确保掌握核心循环后进入第二阶段README→graph_part.py、state.py和nodes.py（理解状态、节点逻辑和路由决策）。

项目价值在于渐进式学习设计，分解复杂系统为可理解阶段，帮助建立扎实基础再引入抽象概念；架构启示：智能体是基础RAG的增强而非替代，共享本地模型、索引概念和检索目标，通过状态记忆、判断层和路由层实现首次尝试不足时的恢复，"分层增强"设计思路值得实际项目借鉴。