重排，多路查询

app/rag/tools.py

@@ -2,88 +2,115 @@
 RAG 工具模块
 
 将检索功能封装为 LangChain Tool，供 Agent 调用。
+采用固定流水线：多路改写 → 并行检索 → RRF 融合 → 重排序 → 返回父文档。
 """
 
+from typing import Optional, Callable
 from langchain_core.tools import tool
-from rag_core import LlamaCppEmbedder, QDRANT_URL, QDRANT_API_KEY
-from .pipeline import RAGPipeline, RAGLevel
+from langchain_core.language_models import BaseLanguageModel
+from langchain_core.retrievers import BaseRetriever
+
+from .pipeline import RAGPipeline
 
 
-@tool
-async def search_knowledge_base(query: str, rag_level: str = "rerank") -> str:
-    """在知识库中搜索与查询相关的文档片段。
-    
-    适用于事实性问题、背景知识查询。
-    
-    Args:
-        query: 查询字符串
-        rag_level: 检索级别，可选值：basic（基础向量检索）、rerank（基础检索+重排序）、fusion（RAG-Fusion）
-    
-    Returns:
-        检索到的相关文档内容
+def create_rag_tool(
+    retriever: BaseRetriever,
+    llm: BaseLanguageModel,
+    num_queries: int = 3,
+    rerank_top_n: int = 5,
+    collection_name: str = "rag_documents",
+) -> Callable:
     """
-    # 初始化嵌入模型
-    embedder = LlamaCppEmbedder()
-    embeddings = embedder.as_langchain_embeddings()
-    
-    # 创建 RAG 流水线
-    pipeline = RAGPipeline(
-        embeddings=embeddings,
-        config={
-            "rag_level": rag_level,
-            "collection_name": "rag_documents",
-            "rerank_top_n": 5,
-        }
-    )
-    
-    # 执行检索
-    try:
-        documents = await pipeline.aretrieve(query)
-        if not documents:
-            return "未找到相关信息。"
-        
-        # 格式化结果
-        context = pipeline.format_context(documents)
-        return context
-    except Exception as e:
-        return f"检索过程中发生错误: {str(e)}"
+    创建一个配置好的 RAG 检索工具（异步）。
 
-
-@tool
-def search_knowledge_base_sync(query: str, rag_level: str = "rerank") -> str:
-    """同步版本的知识库搜索工具。
-    
-    适用于事实性问题、背景知识查询。
-    
     Args:
-        query: 查询字符串
-        rag_level: 检索级别，可选值：basic（基础向量检索）、rerank（基础检索+重排序）、fusion（RAG-Fusion）
-    
+        retriever: 基础检索器（例如 ParentDocumentRetriever 实例）
+        llm: 用于多路查询改写的语言模型
+        num_queries: 生成查询变体数量
+        rerank_top_n: 最终返回的文档数量
+        collection_name: 集合名称（仅用于日志/描述）
+
     Returns:
-        检索到的相关文档内容
+        LangChain Tool 可调用对象（异步）
     """
-    # 初始化嵌入模型
-    embedder = LlamaCppEmbedder()
-    embeddings = embedder.as_langchain_embeddings()
-    
-    # 创建 RAG 流水线
+    # 初始化流水线（所有组件一次创建，后续复用）
     pipeline = RAGPipeline(
-        embeddings=embeddings,
-        config={
-            "rag_level": rag_level,
-            "collection_name": "rag_documents",
-            "rerank_top_n": 5,
-        }
+        retriever=retriever,
+        llm=llm,
+        num_queries=num_queries,
+        rerank_top_n=rerank_top_n,
     )
-    
-    # 执行检索
-    try:
-        documents = pipeline.retrieve(query)
-        if not documents:
-            return "未找到相关信息。"
-        
-        # 格式化结果
-        context = pipeline.format_context(documents)
-        return context
-    except Exception as e:
-        return f"检索过程中发生错误: {str(e)}"
+
+    @tool
+    async def search_knowledge_base(query: str) -> str:
+        """在知识库中搜索与查询相关的文档片段。
+
+        该工具会：
+        1. 将用户问题改写成多个不同角度的查询
+        2. 并行检索每个查询的相关父文档
+        3. 使用倒数排名融合（RRF）合并结果
+        4. 用 Cross-Encoder 重排序模型精选最相关的片段
+
+        适用于需要精确、全面答案的事实性问题或背景知识查询。
+
+        Args:
+            query: 用户提出的问题或查询字符串
+
+        Returns:
+            格式化后的相关文档内容，若无结果则返回提示信息。
+        """
+        try:
+            documents = await pipeline.aretrieve(query)
+            if not documents:
+                return f"在知识库 '{collection_name}' 中未找到与 '{query}' 相关的信息。"
+
+            context = pipeline.format_context(documents)
+            return context
+        except Exception as e:
+            return f"检索过程中发生错误: {str(e)}"
+
+    return search_knowledge_base
+
+
+def create_rag_tool_sync(
+    retriever: BaseRetriever,
+    llm: BaseLanguageModel,
+    num_queries: int = 3,
+    rerank_top_n: int = 5,
+    collection_name: str = "rag_documents",
+) -> Callable:
+    """
+    创建一个配置好的 RAG 检索工具（同步版本，用于不支持异步的旧版 Agent）。
+
+    参数同 create_rag_tool。
+    """
+    pipeline = RAGPipeline(
+        retriever=retriever,
+        llm=llm,
+        num_queries=num_queries,
+        rerank_top_n=rerank_top_n,
+    )
+
+    @tool
+    def search_knowledge_base_sync(query: str) -> str:
+        """在知识库中搜索与查询相关的文档片段（同步版本）。
+
+        功能与异步版本相同：多路改写 → RRF融合 → 重排序 → 返回父文档。
+
+        Args:
+            query: 用户提出的问题或查询字符串
+
+        Returns:
+            格式化后的相关文档内容。
+        """
+        try:
+            documents = pipeline.retrieve(query)  # 内部调用异步方法并等待
+            if not documents:
+                return f"在知识库 '{collection_name}' 中未找到与 '{query}' 相关的信息。"
+
+            context = pipeline.format_context(documents)
+            return context
+        except Exception as e:
+            return f"检索过程中发生错误: {str(e)}"
+
+    return search_knowledge_base_sync