知识与 RAG

使用 AgenticX 构建文档智能与 RAG。

知识与 RAG

Near 知识库面板管的是脑：文档脑走 knowledge_search，代码脑走 code_search。每个脑有自己的配置、文件和索引。分身可以挂零个或多个脑。

下面的 Python KnowledgeBase 是库 API（agenticx/memory/knowledge_base.py）。Studio 入库走 agenticx/studio/kb/ 和 LiteParseAdapter。不要把它们当成同一个对象。

示意图：LiteParse → 分块 → embedding≤10 → Chroma；仓库索引是另一条路。

Desktop 默认向量库是 Chroma。改 embedding 配置通常要重建索引。入库必须露出真实百分比或阶段；失败须带文件名、类型和 traceback 摘要。

文档入库

python

1from agenticx.knowledge import KnowledgeBase
2
3kb = KnowledgeBase(name="my-docs")
4
5# Add documents
6kb.add_file("report.pdf")
7kb.add_url("https://example.com/article")
8kb.add_text("AgenticX is a multi-agent framework...", source="manual")
9
10# Process (chunk, embed, index)
11kb.build()

检索

python

1# Vector retrieval
2results = kb.search("What are the key features?", top_k=5)
3
4# Hybrid retrieval (vector + BM25)
5results = kb.search("key features", mode="hybrid", top_k=10)
6
7# With reranking
8results = kb.search("key features", mode="hybrid", rerank=True, top_k=5)

GraphRAG

对于关系复杂的文档，可使用 GraphRAG：

python

1from agenticx.knowledge import GraphKnowledgeBase
2
3gkb = GraphKnowledgeBase(
4    name="research-papers",
5    graph_backend="neo4j",  # or "nebula"
6    neo4j_uri="bolt://localhost:7687"
7)
8
9gkb.add_file("research_paper.pdf")
10gkb.build()  # Extracts entities and relationships
11
12# Graph-aware retrieval
13results = gkb.search("relationship between agent memory and performance")

为智能体挂载知识库

在 Near 里挂文档脑，让模型调 knowledge_search。Studio 路径上没有 KnowledgeBaseTool。

python

1from agenticx import Agent, Task, AgentExecutor
2from agenticx.llms import OpenAIProvider
3
4executor = AgentExecutor(llm_provider=OpenAIProvider(model="gpt-4o"))
5result = executor.run(agent=agent, task=task)

支持的文档格式

格式	Studio 路径	库侧说明
PDF / DOCX / PPTX / 图片	`LiteParseAdapter`（`npm i -g @llamaindex/liteparse`）	不要把 PDF 当原始文本塞给模型
`.xlsx` / `.xls`	需要本机 LibreOffice	未安装时从 UI 支持列表剔除
Markdown / 纯文本	LiteParse 或原生	—

嵌入（Embeddings）

python

1from agenticx.embeddings import OpenAIEmbeddings
2
3embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
4kb = KnowledgeBase(name="my-docs", embeddings=embeddings)

支持的 embedding 供应商：OpenAI、Bailian、SiliconFlow、LiteLLM。

向量存储

存储	说明
Faiss	本地、快速，无需独立服务
Chroma	本地或 server 模式
Qdrant	生产级，支持云端
Milvus	大规模企业场景
PgVector	PostgreSQL 扩展
Pinecone	托管云服务
Weaviate	托管云服务，支持 GraphQL

桌面知识库默认向量后端是 Chroma。仓库里还有其它向量适配器，并非都已接到 Studio 主路径。

多脑知识库

当前代码树可以把 文档脑 与 代码脑 隔离挂载，并可选地做跨脑检索。

文档脑：入库、分块、嵌入、检索
代码脑：对一个或多个代码库做混合语义索引
跨脑检索是可选能力，不会强制合并所有索引

相邻的 v0.5 能力见技能与长周期编码。