Controllable-RAG-Agent — AI Agent 工作流中文教程
经 AI Skill Hub 精选评估，Controllable-RAG-Agent — AI Agent 工作流中文教程 获评「强烈推荐」。已获得 1.6k 颗 GitHub Star，这款AI工具在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 8.2 分，适合有一定技术背景的用户使用。
📚 深度解析
**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。
**安装与环境准备**
Controllable-RAG-Agent — AI Agent 工作流中文教程 依赖 Jupyter 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Jupyter 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。
**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 Controllable-RAG-Agent — AI Agent 工作流中文教程 的版本更新，及时通知重要功能变化。
📋 工具概览
基于图算法的高级检索增强生成（RAG）解决方案，专为复杂问答任务设计。支持LangChain/LangGraph框架，提供可控的信息检索和生成流程。适合需要构建企业级智能问答系统的开发者和AI研究人员。
Controllable-RAG-Agent — AI Agent 工作流中文教程 是一款基于 Jupyter Notebook 开发的开源工具，专注于 RAG、LLM、LangGraph 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
📖 中文文档
基于图算法的高级检索增强生成（RAG）解决方案，专为复杂问答任务设计。支持LangChain/LangGraph框架，提供可控的信息检索和生成流程。适合需要构建企业级智能问答系统的开发者和AI研究人员。
Controllable-RAG-Agent — AI Agent 工作流中文教程 是一款基于 Jupyter Notebook 开发的开源工具，专注于 RAG、LLM、LangGraph 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
# 克隆仓库 git clone https://github.com/NirDiamant/Controllable-RAG-Agent cd Controllable-RAG-Agent # 查看安装说明 cat README.md # 按 README 完成环境依赖安装后即可使用
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 查看帮助 controllable-rag-agent --help # 基本运行 controllable-rag-agent [options] <input> # 详细使用说明请查阅文档 # https://github.com/NirDiamant/Controllable-RAG-Agent
# controllable-rag-agent 配置说明 # 查看配置选项 controllable-rag-agent --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export CONTROLLABLE_RAG_AGENT_CONFIG="/path/to/config.yml"
Sophisticated Controllable Agent for Complex RAG Tasks 🧠📚
An advanced Retrieval-Augmented Generation (RAG) solution designed to tackle complex questions that simple semantic similarity-based retrieval cannot solve. This project showcases a sophisticated deterministic graph acting as the "brain" of a highly controllable autonomous agent capable of answering non-trivial questions from your own data.
🌟 Key Features
- Sophisticated Deterministic Graph: Acts as the "brain" of the agent, enabling complex reasoning.
- Controllable Autonomous Agent: Capable of answering non-trivial questions from custom datasets.
- Hallucination Prevention: Ensures answers are solely based on provided data, avoiding AI hallucinations.
- Multi-step Reasoning: Breaks down complex queries into manageable sub-tasks.
- Adaptive Planning: Continuously updates its plan based on new information.
- Performance Evaluation: Utilizes
Ragasmetrics for comprehensive quality assessment.
What are the key features?
- Sophisticated Deterministic Graph: Acts as the "brain" of the agent, enabling complex reasoning
- Controllable Autonomous Agent: Capable of answering non-trivial questions from custom datasets
- Hallucination Prevention: Ensures answers are solely based on provided data, avoiding AI hallucinations
- Multi-step Reasoning: Breaks down complex queries into manageable sub-tasks
- Adaptive Planning: Continuously updates its plan based on new information
- Performance Evaluation: Uses Ragas metrics for comprehensive quality assessment
Prerequisites
- Python 3.8+
- API key for your chosen LLM provider
🚀 Getting Started
Installation (without Docker)
1. Clone the repository:
git clone https://github.com/NirDiamant/Controllable-RAG-Agent.git
cd Controllable-RAG-Agent
.env file in the root directory with your API key: OPENAI_API_KEY=
GROQ_API_KEY=
.env.example file for reference.
using Docker
3. run the following command to build the docker image
docker-compose up --build
Installation (without Docker)
3. Install required packages:
pip install -r requirements.txt
🔍 Use Case: Harry Potter Book Analysis
The algorithm was tested using the first Harry Potter book, allowing for monitoring of the model's reliance on retrieved information versus pre-trained knowledge. This choice enables us to verify whether the model is using its pre-trained knowledge or strictly relying on the retrieved information from vector stores.
Usage
- Explore the step-by-step tutorial:
sophisticated_rag_agent_harry_potter.ipynb
2. Run real-time agent visualization (no docker):
streamlit run simulate_agent.py
3. Run real-time agent visualization (with docker): open your browser and go to http://localhost:8501/
🎁 Try a full module, free
| 🎬 7-minute video lecture |
🛠️ Hands-on tutorial |
🤖 AI assistant inside Claude Code |
One npm install adds the module's AI assistant to your Claude Code, and it guides you through the tutorial as you build.
<a href="https://europe-west1-rag-techniques-views-tracker.cloudfunctions.net/rag-techniques-tracker?notebook=controllable-rag-agent--readme&click=course-free-module-cta&target=https%3A%2F%2Fwww.diamant-ai.com%2Fcourses%3Futm_source%3Dgithub%26utm_medium%3Dreadme%26utm_campaign%3Dcontrollable-rag-agent&retarget=0&text=course-free-module-cta"><img src="assets/free-module-button.svg" alt="Claim your free module" width="420"></a>
Example Question
Q: How did the protagonist defeat the villain's assistant?
To solve this question, the following steps are necessary:
- Identify the protagonist of the plot.
- Identify the villain.
- Identify the villain's assistant.
- Search for confrontations or interactions between the protagonist and the villain.
- Deduce the reason that led the protagonist to defeat the assistant.
The agent's ability to break down and solve such complex queries demonstrates its sophisticated reasoning capabilities.
FAQ
How does the agent handle complex questions?
For questions like "How did the protagonist defeat the villain's assistant?", the agent: 1. Identifies the protagonist 2. Identifies the villain 3. Identifies the villain's assistant 4. Searches for confrontations between protagonist and villain 5. Deduces the reason for defeating the assistant
This demonstrates sophisticated reasoning beyond simple retrieval.
设计理念先进，图算法应用创新。代码质量好，文档完整。1600+星表明社区认可度高，是RAG领域的优质开源项目。
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- Docker：Controllable-RAG-Agent 提供官方镜像，docker compose up 一键启动
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
👥 适合人群
🎯 使用场景
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
⚖️ 优点与不足
- +Apache-2.0 协议，可免费商用
- +完全开源免费，无授权费用
- +本地部署，数据完全自主可控
- +开发者社区支持，遇问题可查可问
- −安装和初始配置可能需要一定技术基础
- −功能完整性通常不如成熟商业产品
- −技术支持主要依赖开源社区，响应速度不稳定
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。
🔗 相关工具推荐
❓ 常见问题 FAQ
AI Skill Hub 点评：Controllable-RAG-Agent — AI Agent 工作流中文教程 的核心功能完整，质量优秀。对于AI爱好者来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | Controllable-RAG-Agent |
| 原始描述 | This repository provides an advanced Retrieval-Augmented Generation (RAG) solution for complex question answering. It uses sophisticated graph based algorithm to handle the tasks. |
| Topics | RAGLLMLangGraph智能体图算法 |
| GitHub | https://github.com/NirDiamant/Controllable-RAG-Agent |
| License | Apache-2.0 |
| 语言 | Jupyter Notebook |
收录时间：2026-05-22 · 更新时间：2026-05-30 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。