本文介绍了如何结合DeepSeek-V3.2和Docling搭建Agentic RAG工作流，实现"检索-研究-验证"智能体闭环。DeepSeek-V3.2通过稀疏注意力技术高效处理长文本，Docling将文档转化为结构化Markdown。该系统具备自纠错能力，有效减少模型幻觉，只需少量代码即可实现高质量文档问答，为开发者提供了一种高效、准确的文档处理解决方案。
DeepSeek-V3.2 的发布为复杂推理任务提供了极佳的开源选择，其长文本处理能力也让深度文档解析变得更高效。而在 RAG（检索增强生成）实践中，如何精准提取 PDF 结构依然是关键。IBM 的开源工具 Docling 改变了传统 OCR 简单提取字符串的方式，通过视觉语义分析将文档转化为结构化的 Markdown。
本文将分享如何将两者结合，搭建一套极简的 Agentic RAG 工作流。不同于传统的单向检索，该系统通过“检索-研究-验证”的智能体闭环，实现了具备自纠错能力的文档问答，能以极低的代码成本有效减少模型幻觉。
1、DeepSeek-V3.2 的独特之处是什么？
大多数强大的 AI 模型都面临一个共同问题：随着文件长度的增加，模型的执行速度会显著下降，而成本则会急剧上升。这是因为传统模型会尝试将每个词与其他所有词进行比较，以理解上下文。
DeepSeek-V3.2 通过引入一种名为 DeepSeek 稀疏注意力（DeepSeek Sparse Attention，DSA）的新方法来解决这个问题。可以将其想象成一位研究人员在图书馆进行研究：
- •传统方法（密集注意力）：研究人员为了回答一个问题，需要逐页阅读书架上的每一本书。虽然这种方法很全面，但速度极慢，而且需要耗费大量精力。
- •新方法（DeepSeek-V3.2）：研究人员使用数字索引（Lightning Indexer）快速找到关键页面，然后只阅读这些页面。这种方法同样准确，但速度却快得多。
2、Docling 的独特之处是什么？
Docling 之所以能从现有工具中脱颖而出，最大的原因在于其设计理念基于与生成式人工智能（特别是检索增强生成，RAG）的协作。
现代人工智能应用需要的不仅仅是提取文本。为了让人工智能深入理解文档内容并生成准确的答案，需要了解文档的语义，包括：
- • 这句话是论文的"摘要"还是"结论"？
- • 这串数字不仅仅是文本，而是一个"表格"，那么每个单元格代表什么？
- • 这张图片的"标题"是什么？
PyMuPDF 和 Tesseract 将文本提取为"字符串"，而 Docling 则利用视觉-语言模型（VLM）的强大功能来分析这些结构和关系，并将其输出为包含丰富信息的"DoclingDocument"对象。
这些结构化数据是显著提升 RAG 检索和答案生成质量的关键。
3、配置环境
首先安装支持该模型的库，执行pip install requirements命令。
pip install requirements下一步是常规操作：导入相关的库，其重要性将在后续步骤中逐渐显现。
- •
DocumentConverter：一个高级 Python 类，用于将文档转换为结构化的DoclingDocument格式。 - •
EnsembleRetriever：一个集成检索器，它使用加权倒数排序融合（weighted reciprocal rank fusion）来聚合和排序多个检索器的结果。
4、DocLing
以下代码创建了一个VerificationAgent类，用于根据源文档对 AI 生成的答案进行事实核查。在__init__函数中，实例化了一个温度为零（用于确定性输出）的 DeepSeek-V3.2 模型，并构建了一个提示模板。这个模板要求 LLM 从四个特定方面验证答案：声明是否得到直接支持、哪些内容不被支持、哪些内容相互矛盾以及它是否相关，并强制使用结构化响应格式以确保解析的一致性。
在check()函数中，接收答案字符串和一个Document对象列表，提取并连接所有文档文本到一个上下文字符串中，然后创建一个 LangChain 管道（提示 → LLM → 字符串解析器），并使用答案和上下文调用该管道以获取验证报告。
记录报告和上下文以进行调试，如果有任何错误发生，则重新抛出。最后，返回一个包含验证报告文本和使用的上下文字符串的字典——这样做的目的是通过检查 RAG 系统生成的答案是否确实得到源文档的支持来捕获"幻觉"（hallucinations）。
import osimport hashlibimport picklefrom datetime import datetime, timedeltafrom pathlib import Pathfrom typing importListfrom docling.document_converter import DocumentConverterfrom langchain_text_splitters import MarkdownHeaderTextSplitterfrom config import constantsfrom config.settings import settingsfrom utils.logging import loggerclassDocumentProcessor:def__init__(self):self.headers = [("#", "Header 1"), ("##", "Header 2")]self.cache_dir = Path(settings.CACHE_DIR)self.cache_dir.mkdir(parents=True, exist_ok=True)defvalidate_files(self, files: List) -> None:"""验证上传文件的总大小。""" total_size = sum(os.path.getsize(f.name) for f in files)if total_size > constants.MAX_TOTAL_SIZE:raise ValueError(f"总大小超过 {constants.MAX_TOTAL_SIZE//1024//1024}MB 限制")defprocess(self, files: List) -> List:"""处理文件，并进行缓存，以便后续查询使用。"""self.validate_files(files) all_chunks = [] seen_hashes = set()for file in files:try:# 为缓存生成基于内容的哈希值withopen(file.name, "rb") as f: file_hash = self._generate_hash(f.read()) cache_path = self.cache_dir / f"{file_hash}.pkl"ifself._is_cache_valid(cache_path): logger.info(f"从缓存加载：{file.name}") chunks = self._load_from_cache(cache_path)else: logger.info(f"处理并缓存：{file.name}") chunks = self._process_file(file)self._save_to_cache(chunks, cache_path)# 跨文件进行块去重for chunk in chunks: chunk_hash = self._generate_hash(chunk.page_content.encode())if chunk_hash notin seen_hashes: all_chunks.append(chunk) seen_hashes.add(chunk_hash)except Exception as e: logger.error(f"处理文件 {file.name} 失败：{str(e)}")continue logger.info(f"总计唯一块数：{len(all_chunks)}")return all_chunksdef_process_file(self, file) -> List:"""使用 Docling 进行原始处理逻辑。"""ifnot file.name.endswith(('.pdf', '.docx', '.txt', '.md')): logger.warning(f"跳过不支持的文件类型：{file.name}")return [] converter = DocumentConverter() markdown = converter.convert(file.name).document.export_to_markdown() splitter = MarkdownHeaderTextSplitter(self.headers)return splitter.split_text(markdown)def_generate_hash(self, content: bytes) -> str:"""生成内容的 SHA256 哈希值。"""return hashlib.sha256(content).hexdigest()def_save_to_cache(self, chunks: List, cache_path: Path):"""将处理过的块保存到缓存文件。"""withopen(cache_path, "wb") as f: pickle.dump({"timestamp": datetime.now().timestamp(),"chunks": chunks }, f)def_load_from_cache(self, cache_path: Path) -> List:"""从缓存文件加载块。"""withopen(cache_path, "rb") as f: data = pickle.load(f)return data["chunks"]def_is_cache_valid(self, cache_path: Path) -> bool:"""检查缓存文件是否有效（未过期）。"""ifnot cache_path.exists():returnFalse cache_age = datetime.now() - datetime.fromtimestamp(cache_path.stat().st_mtime)return cache_age < timedelta(days=settings.CACHE_EXPIRE_DAYS)5、RelevanceChecker
以下代码创建了一个RelevanceChecker类，通过将检索到的文档分类为三个类别来确定它们是否可以回答用户的问题。
在__init__方法中，使用 API 密钥初始化了一个 DeepSeek-V3.2 模型，并创建了一个提示模板。该模板指示大型语言模型（LLM）将段落分类为"CAN_ANSWER"（完全回答）、“PARTIAL”（提及主题但不完整）或"NO_MATCH"（完全未讨论该主题），并强调任何主题提及都应归类为"PARTIAL"，而不是"NO_MATCH"。通过提示 -> LLM -> 字符串解析器的管道连接，构建了一个 LangChain 链。
在check()方法中，接收一个问题、一个检索器对象和一个参数k（默认为 3），用于指定要分析的前k个文档的数量。使用问题调用检索器以获取相关的文本块，如果没有返回任何内容，则立即返回"NO_MATCH"。
为了便于查看，打印调试信息，显示文档计数以及前k个文本块的 200 字符预览。将前k个文档的文本合并成一个字符串，字符串之间用双换行符分隔，然后使用问题和合并后的内容调用 LLM 链，并获取一个分类字符串。
通过将响应转换为大写并检查是否符合有效选项来验证响应是否为三个有效标签之一，如果 LLM 返回了意外结果，则强制返回"NO_MATCH"。
最后，返回经过验证的分类结果，从而清楚地了解检索器是否找到了可用的文档，或者是否需要回退到其他方法，例如网络搜索。
# agents/relevance_checker.pyfrom langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom langchain_deepseek import ChatDeepSeekfrom config.settings import settingsclassRelevanceChecker:def__init__(self):# self.llm = ChatOpenAI(api_key=settings.OPENAI_API_KEY, model="gpt-4o")self.llm = ChatDeepSeek(api_key=settings.DEEPSEEK_API_KEY, model="deepseek-chat")self.prompt = ChatPromptTemplate.from_template("""给定一个用户问题和一些来自上传文档的段落。 请评估这些段落回答用户问题的程度。 请**准确选择**以下回答中的一个（**只**返回该标签）： 1) "CAN_ANSWER":这些段落包含足够明确的信息来完整回答问题。 2) "PARTIAL": 这些段落提及或讨论了问题的主题（例如，相关年份、设施名称）， 但没有提供回答问题所需的所有数据或细节。 3) "NO_MATCH": 这些段落完全没有讨论或提及问题的主题。 重要提示：如果段落以**任何方式**提及或引用了问题的主题或时间范围， 即使信息不完整，也应返回 "PARTIAL"，而不是 "NO_MATCH"。 问题: {question} 段落: {document_content} 请**只**返回 "CAN_ANSWER", "PARTIAL", 或 "NO_MATCH"。 """ )self.chain = self.prompt | self.llm | StrOutputParser()defcheck(self, question: str, retriever, k=3) -> str:""" 1. 从全局检索器中检索 top-k 文档块。 2. 将它们组合成一个单独的文本字符串。 3. 将该文本 + 问题传递给 LLM 链进行分类。 返回: "CAN_ANSWER" 或"PARTIAL" 或 "NO_MATCH"。 """print(f"[DEBUG] RelevanceChecker.check 被调用，问题='{question}'，k={k}")# 从检索器中检索文档块 top_docs = retriever.invoke(question)[:k] # 只使用前 k 个文档ifnot top_docs:print("[DEBUG] 检索器.invoke() 未返回任何文档。分类为 NO_MATCH。")return"NO_MATCH"print(f"[DEBUG] 检索器返回了 {len(top_docs)} 个文档。")# 快速显示每个块的片段以进行调试for i, doc inenumerate(top_docs): snippet = doc.page_content[:200].replace("\n", "\\n")print(f"[DEBUG] 块 #{i+1}预览（前 200 个字符）：{snippet}...")# 将前 k 个块的文本合并成一个字符串 document_content = "\n\n".join(doc.page_content for doc in top_docs)print(f"[DEBUG] 前 {k} 个块的组合文本长度：{len(document_content)} 字符。")# 调用 LLM response = self.chain.invoke({"question": question,"document_content": document_content }).strip()print(f"[DEBUG] LLM原始分类响应：'{response}'")# 转换为大写，检查是否是有效标签之一 classification = response.upper() valid_labels = {"CAN_ANSWER", "PARTIAL", "NO_MATCH"}if classification notin valid_labels:print("[DEBUG] LLM 未返回有效标签。强制设为 'NO_MATCH'。") classification = "NO_MATCH"else:print(f"[DEBUG] 分类被识别为 '{classification}'。")return classification6、ResearchAgent
以下代码创建了一个名为ResearchAgent的类，使用检索到的文档作为上下文来生成问题的答案。
代码创建了一个提示模板，要求 LLM 根据提供的上下文回答问题，做到准确且基于事实，并指示 LLM 在上下文不足时明确表示"我无法根据提供的文档回答此问题"。
在generate()方法中，接收一个问题字符串和一个Document对象列表，然后提取所有文档文本，并使用双换行符作为分隔符将其连接成一个上下文字符串。
使用问题和上下文调用该链，将其替换到模板中，向 DeepSeek 发送请求，并将生成的答案作为字符串返回。此过程被包装在try-except语句中，以便记录答案和完整的上下文进行调试，并重新引发任何发生的异常。
最后，返回一个包含草稿答案和所用上下文的字典，从而同时获得生成的响应和用于创建它的源材料的可追溯性。
from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom typing importDict, Listfrom langchain_core.documents import Documentfrom langchain_deepseek import ChatDeepSeekimport loggingfrom config.settings import settingslogger = logging.getLogger(__name__)classResearchAgent:def__init__(self):"""用 OpenAI 模型初始化研究智能体。"""# self.llm = ChatOpenAI(# model="gpt-4-turbo",# temperature=0.3,# api_key=settings.OPENAI_API_KEY # 在这里传递 API 密钥# )self.llm = ChatDeepSeek( model="deepseek-chat", temperature=0.3, api_key=settings.DEEPSEEK_API_KEY # 在这里传递 API 密钥 )self.prompt = ChatPromptTemplate.from_template("""根据提供的上下文回答以下问题。请精确且基于事实。 问题: {question} 上下文: {context} 如果上下文不足，请回答: "我无法根据提供的文档回答此问题。" """ )defgenerate(self, question: str, documents: List[Document]) -> Dict:"""使用提供的文档生成初步答案。""" context = "\n\n".join([doc.page_content for doc in documents]) chain = self.prompt | self.llm | StrOutputParser()try: answer = chain.invoke({"question": question,"context": context }) logger.info(f"生成的答案: {answer}") logger.info(f"使用的上下文: {context}")except Exception as e: logger.error(f"生成答案时出错: {e}")raisereturn {"draft_answer": answer,"context_used": context }7、验证智能体
以下代码创建了一个VerificationAgent类，用于对 AI 生成的答案进行事实核查，以识别虚假信息。在__init__方法中，初始化了一个温度为 0（表示完全确定性）的 DeepSeek-V3.2 模型，创建了一个提示模板，指示 LLM 使用结构化的响应格式验证四个方面（直接事实支持、未经证实的说法、矛盾和相关性），然后构建了一个 LangChain 链。
在check()函数中，接收一个响应字符串和一个Document对象列表，将所有文档文本用双换行符连接成一个上下文字符串，然后使用响应字符串和上下文字符串调用链式调用以获取验证报告。在try-except块中，记录报告和上下文字符串以进行调试，最后返回一个包含验证报告和上下文字符串的字典，用于溯源。
from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom typing importDict, Listfrom langchain_core.documents import Documentfrom langchain_deepseek import ChatDeepSeekimport loggingfrom config.settings import settingslogger = logging.getLogger(__name__)classVerificationAgent:def__init__(self):# self.llm = ChatOpenAI(# model="gpt-4-turbo",# temperature=0,# api_key=settings.OPENAI_API_KEY # 在这里传递 API 密钥# )self.llm = ChatDeepSeek( model="deepseek-chat", temperature=0, api_key=settings.DEEPSEEK_API_KEY # 在这里传递 API 密钥 )self.prompt = ChatPromptTemplate.from_template("""根据提供的上下文验证以下答案。检查以下各项： 1. 直接事实支持 (是/否) 2. 未经支持的主张 (列出) 3. 矛盾之处 (列出) 4. 与问题的相关性 (是/否) 请按以下格式回应： 支持: 是/否 未经支持的主张: [项目] 矛盾之处: [项目] 相关性: 是/否 答案: {answer} 上下文: {context} """ )defcheck(self, answer: str, documents: List[Document]) -> Dict:"""根据提供的文档验证答案。""" context = "\n\n".join([doc.page_content for doc in documents]) chain = self.prompt | self.llm | StrOutputParser()try: verification = chain.invoke({"answer": answer,"context": context }) logger.info(f"验证报告: {verification}") logger.info(f"使用的上下文: {context}")except Exception as e: logger.error(f"验证答案时出错: {e}")raisereturn {"verification_report": verification,"context_used": context }如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2025 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
