超越简单 RAG：使用 Next.js、Python 和 Supabase 构建 Agentic 工作流

Source: Dev.to

问题：“Chat with PDF” 成为新的 Hello World

构建一个基本的 RAG 应用如今很容易。你上传一个 5 页的 PDF，将其拆分成 1,000 字符的块，它就能工作。

当我尝试用 500 页的大学教材 时，标准流水线崩溃了。我不想要一个聊天机器人；我想要一个导师。所以我创建了 Learneazy.io。

秘密酱料：三层语义索引

大多数 RAG 应用把文档视为一个巨大的文本块。然而，教科书有自然的层次结构（索引 → 章节 → 内容）。我在数据库中使用 Python (Flask) 微服务和 PyMuPDF 镜像了这种结构。

第 1 层 – “骨架”（目录）

目的： 快速的高级结构查询。

第 2 层 – “容器”（按章节划分的块）

目的： 上下文感知搜索。当你询问“第 4 章的热力学”时，只会搜索第 4 章。

第 3 层 – “深度挖掘”（细粒度块）

目的： 回答每个细微差别都重要的具体深度问题。

大脑：代理路由

层级索引如果没有决定查询哪一层的机制就毫无用处。我实现了一个配备了每层自定义工具的 LangChain Agent。该代理充当路由器：

• 用户： “有多少章节？” → 代理： 调用 Index Tool（快速、低成本）。
• 用户： “总结第 3 章。” → 代理： 调用 Chapter Tool（高上下文）。
• 用户： “解释 X 的公式。” → 代理： 调用 Deep Dive Tool（高精度）。

这种路由逻辑将 token 使用量降低了约 40 %，并显著提升了准确性。

超越聊天：闪卡引擎

最困难的技术挑战是让用户能够说：“为第5章生成10张闪卡”。AI 不能仅仅猜测；它需要一个有依据的工作流。

1. 主题提取： 扫描 Chapter Layer 以识别关键主题（例如，“线粒体”，“克雷布斯循环”）。
2. 上下文检索： 在 Deep Dive Layer 中针对这些主题执行向量搜索，以获取精确定义。
3. 合成： 使用 LLM（Google Gemini）将有依据的事实格式化为严格的问答对。

结果：闪卡是从用户的特定材料生成的，而不是通用的互联网知识。

技术栈：为何采用微服务？