欢迎来到AI应用课程的高级能力构建阶段！本项目包含4个进阶实验，帮助你掌握工作流编排、工具调用、知识检索增强（RAG）和质量控制等生产级AI应用开发技术。

通过这4个实验，你将学习：

1. 实验5：使用 LangGraph 构建状态图工作流，实现基于意图的条件路由
2. 实验6：构建具备工具调用能力的 AI Agent，实现模型与外部函数的交互
3. 实验7：构建完整的 RAG（检索增强生成）系统，学习文档加载、向量化、检索和生成
4. 实验8：在 RAG 基础上增加质量控制机制，实现人工审核触发逻辑

• Python: 3.10 或更高版本
• 操作系统: Linux / macOS / Windows
• Ollama: 本地AI模型服务

cd ai-course-labs
pip install -r requirements.txt

新增依赖包括：

• langgraph>=0.2.0 - 实验5工作流编排
• chromadb>=0.4.22 - 实验7-8向量存储
• langchain-chroma>=0.1.0 - ChromaDB集成

实验7-8需要预置的知识库文档，已包含在 test_data/knowledge_base/ 目录：

• langchain_intro.txt - LangChain框架介绍
• vector_db.txt - 向量数据库原理
• prompt_engineering.txt - Prompt工程技术

# 运行单个实验测试
pytest grader/test_lab5.py -v
pytest grader/test_lab6.py -v
pytest grader/test_lab7.py -v
pytest grader/test_lab8.py -v

# 运行所有实验5-8测试
pytest -m "lab5 or lab6 or lab7 or lab8" -v

# 运行全部测试
pytest grader/ -v

# 查看详细错误信息
pytest grader/test_lab5.py -v --tb=short

ai-course-labs/
├── grader/                    # 测评系统
│   ├── fixtures.py           # 共享测试夹具（Ollama健康检查、ChromaDB初始化）
│   ├── test_lab5.py          # 实验5测评脚本
│   ├── test_lab6.py          # 实验6测评脚本
│   ├── test_lab7.py          # 实验7测评脚本
│   └── test_lab8.py          # 实验8测评脚本
│
├── student_code/              # 学生代码目录
│   ├── lab5/main.py          # 实验5：LangGraph工作流
│   ├── lab6/main.py          # 实验6：工具调用Agent
│   ├── lab7/main.py          # 实验7：RAG系统
│   └── lab8/main.py          # 实验8：人工审核RAG
│
├── test_data/
│   └── knowledge_base/       # 预置知识库文档
│       ├── langchain_intro.txt
│       ├── vector_db.txt
│       └── prompt_engineering.txt
│
├── requirements.txt           # Python依赖
├── pytest.ini                 # Pytest配置
└── README.md                  # 本文件

目标：使用 LangGraph 构建状态图工作流，实现基于输入意图的条件路由

文件位置：student_code/lab5/main.py

需要实现：run_workflow(input_data: dict) -> dict

任务要求：

• 创建 StateGraph 并定义工作流状态
• 添加节点：start、order_handler、info_handler、end
• 实现条件路由逻辑（根据 intent 字段路由）
• 追踪执行路径

关键要求：

• 当 intent == "order" 时，路由到 order_handler
• 当 intent == "info" 时，路由到 info_handler
• 其他情况路由到 error_handler
• 返回字典包含 route_taken、final_output、execution_path

测试用例：

• ✅ 订单路由正确性（30%）
• ✅ 信息查询路由正确性（30%）
• ✅ 执行路径追踪（20%）
• ✅ 无效意图处理（20%）
• 🌟 输出结构、路由隔离（加分项）

---

目标：构建具备工具调用能力的 AI Agent

文件位置：student_code/lab6/main.py

需要实现：agent_executor(query: str, available_tools: List) -> dict

模拟工具（已提供）：

• get_stock_price(symbol) - 查询股票价格（AAPL返回175.0）
• add_numbers(a, b) - 计算两数之和
• get_weather(city) - 查询天气（北京返回25℃晴）

任务要求：

• 将 Python 函数包装为 LangChain Tool
• 创建支持工具调用的 Agent
• 根据查询自动选择合适的工具
• 正确传递参数并获取结果

关键要求：

• 返回字典包含 tool_used、tool_input、tool_output、final_answer
• 工具选择准确（如"苹果股价"→get_stock_price）
• 参数传递正确（如"10加20"→a=10, b=20）
• 工具输出正确获取

测试用例：

• ✅ 股票价格工具选择（35%）
• ✅ 加法工具选择（35%）
• ✅ 参数传递正确性（25%）
• ✅ 工具输出获取（25%）
• ✅ 天气查询处理（15%）
• 🌟 最终回答结构（加分项）

---

目标：构建完整的 RAG（检索增强生成）系统

文件位置：student_code/lab7/main.py

需要实现：ask_rag(question: str, collection_name: str) -> dict

任务要求：

• 加载并分割知识库文档（chunk_size=500, overlap=50）
• 使用 Ollama Embeddings 进行向量化
• 将向量存储到 ChromaDB
• 根据问题检索相关文档块（top_k=3）
• 基于检索结果生成答案

关键要求：

• 返回字典包含 answer、source_chunks、similarity_scores、has_answer
• 检索到与问题相关的文档块
• 答案基于检索到的文档内容
• 相似度分数按降序排列，范围0-1

测试用例：

• ✅ 检索相关性（30%）
• ✅ 答案忠实度（25%）
• ✅ 空结果处理（20%）
• ✅ Top-K检索（15%）
• ✅ 相似度分数（10%）
• 🌟 输出结构完整性（加分项）

---

目标：在 RAG 基础上增加质量控制机制

文件位置：student_code/lab8/main.py

需要实现：ask_rag_with_review(question: str, confidence_threshold: float) -> dict

任务要求：

• 复用实验7的RAG系统
• 计算综合置信度（相似度50% + 覆盖度30% + 答案长度20%）
• 根据置信度返回不同状态
• 低置信度时触发人工审核

关键要求：

• 返回字典包含 status、confidence_score、answer、review_reason、source_chunks
• 三种状态：
  • success - 高置信度（≥0.7）
  • low_confidence - 中等置信度（0.5-0.7）
  • review_needed - 低置信度（<0.5），需要人工审核
• review_needed 状态必须包含审核原因

测试用例：

• ✅ 高置信度场景（30%）
• ✅ 低置信度触发审核（30%）
• ✅ 中等置信度警告（20%）
• ✅ 置信度阈值调节（20%）
• 🌟 输出结构、文档块保留（加分项）

问题现象	可能原因	解决方法
LangGraph 导入错误	依赖未安装	pip install langgraph
ChromaDB 初始化失败	依赖未安装	pip install chromadb langchain-chroma
知识库文档未找到	文件路径错误	检查 test_data/knowledge_base/ 目录
向量化速度慢	文档过大	调整 chunk_size 参数
Agent 不选择工具	Prompt 设计问题	优化工具描述，使用 ReAct Prompt
相似度分数异常	嵌入模型问题	确认 Ollama 服务正常

每个实验文件都包含测试代码：

# 调试实验5
python student_code/lab5/main.py

# 调试实验6
python student_code/lab6/main.py

# 调试实验7
python student_code/lab7/main.py

# 调试实验8
python student_code/lab8/main.py

# 显示打印输出
pytest grader/test_lab7.py -v -s

# 显示完整错误堆栈
pytest grader/test_lab7.py -v --tb=long

# 只运行失败的测试
pytest grader/test_lab7.py -v --lf

每个实验的测试用例都有明确的权重：

实验	必需测试	加分项	总分
实验5	100%	额外加分	100+
实验6	100%	额外加分	100+
实验7	100%	额外加分	100+
实验8	100%	额外加分	100+

• LangGraph 文档
• LangChain Agent 文档
• ChromaDB 文档
• Ollama 文档

1. 工作流编排：理解状态机和条件路由的设计模式
2. 工具调用：掌握 Function Calling 和 Agent 机制
3. RAG 系统：学习检索增强生成的最佳实践
4. 质量控制：了解生产环境中的可靠性保障

• 实验5：工作流路由正确，执行路径追踪完整
• 实验6：工具选择准确，参数传递正确
• 实验7：检索相关文档，答案基于文档生成
• 实验8：置信度计算准确，审核触发逻辑正确
• 所有必需测试通过
• 代码注释清晰

当你看到以下输出时，恭喜你完成了实验5-8！

======================== test session starts =========================
...
grader/test_lab5.py::TestLab5::... PASSED                    [...]
grader/test_lab6.py::TestLab6::... PASSED                    [...]
grader/test_lab7.py::TestLab7::... PASSED                    [...]
grader/test_lab8.py::TestLab8::... PASSED                    [...]

======================== XX passed in XX.XXs =========================

---

祝学习愉快！ 🚀

完成实验5-8后，你将掌握生产级AI应用开发的核心技术，包括工作流编排、工具集成、知识检索和质量控制！