刚刚，我用DeepSeek-R1搭建了一款RAG应用

DeepSeek-R1 是一款性能与 OpenAI-o1 相当，费用只有 OpenAI-o1 不到 10% 的开源推理模型。今天我用 DeepSeek-R1 构建了一款 Agentic RAG 应用。

这款 Agentic RAG 应用能够搜索我的文档，并在需要时回退到网络搜索。

视频是我对这两种类型查询的测试。

用到的技术栈有：

• @CrewAIInc：用于 Agent 编排

• @firecrawl_dev：用于网络搜索

下面这张架构图解释了一些关键组件和它们之间的交互方式，并对每个组件都进行了详细描述，提供了相应的代码。

1、LLM 设置

CrewAI 与所有流行的 LLM 及其供应商都能完美集成！

下面是设置本地 Llama 3.2 的方法：

2、设置工具

我的应用程序用到两个工具：

1. @Qdrant_Engine 向量搜索工具

2. 网络搜索工具

我已在 GitHub 仓库中分享了全部代码，链接在文章末尾。

3、定义 Retriever Agent

Retriever Agent 负责为用户查询检索正确的上下文，并为此分配了一个任务。

下面是实现方式：

4、定义 Response Gen Agent

Response Gen Agent 负责接收用户查询以及检索 Agent 提供的上下文，并生成连贯的回复。

下面是实现方式：

5、设置 Crew

一旦我们定义了 Agent 及其任务，就会将它们组成一个由 CrewAI 协调的团队。

请看下面：

6、启动和结果

最后，我们提供用户查询并启动 Crew。

请看下面：

在开始编码之前，请务必在此处获取你用于搜索互联网的 API 密钥：https:// firecrawl.dev/i/api

所有代码链接：https://github.com/patchy631/ai-engineering-hub/tree/main/agentic_rag

---

（文：AI大模型实验室）