54 分钟的 Agentic RAG 课，值得学思路，不必抄代码

“对比这三份合同里的违约金条款”——大多数 RAG 演示遇到这类问题就会失灵。检索一次再作答，远远不够。

系统得知道什么时候查具体细节，什么时候做摘要，什么时候逐份阅读文档。DeepLearning.AI 的短课 Building Agentic RAG with LlamaIndex 构建的正是这样的系统。

主讲人是 LlamaIndex 联合创始人兼 CEO Jerry Liu，LlamaIndex 也是这门课的合作方。课程页面承诺，学完能构建一个 Agent，基于你自己的文档进行推理，回答复杂问题。

课程面向初学者：6 节视频课、4 个代码示例和 1 次评分作业，总计约 54 分钟。课程页面显示最近一次更新是 2025 年 10 月 7 日。

对前线部署工程师（FDE）来说，客户说“我们想要一个能读自家文档的 Agent”时，这门课能帮你快速和对方建立共同语言。但课程真正的价值在思路，代码则要带着怀疑去看。

课程按什么顺序展开？

Liu 在导论中把课程分成三层：先是路由，然后是工具调用，最后是带记忆的多步推理。实操课也按这个顺序推进。

你会先构建一个在问答和摘要之间做选择的路由 Agent，再扩展它，让它向工具传参，最后完成一个能同时处理多份文档的研究型 Agent，并学习调试和引导它的方法。

这个顺序值得学，因为它也是在客户现场落地的顺序。每加一层，就多一种能力，也多一个可能出错的地方。如果路由仍在选错工具，多步推理循环只会把错误放大。

路由是最容易度量的决策层

设想一家法律行业客户，手里有一个合同库。“合同 A 有没有延期交付违约金条款？”这个问题需要问答工具去找到具体段落。

“合同 A 讲的是什么？”则需要摘要工具读完全文。如果把第二个问题误发给问答工具，得到的会是几段互不相关的文字，外加一份错误的摘要。

路由只做一个决定：判断这是哪类问题。正因为这个决定很小，在讨论更复杂的 Agent 之前，就可以先给它打分。

举个假设的例子：请用户提供 20 个真实问题，标注其中 12 个属于问答、8 个属于摘要。路由选对了 17 个，即 85%。比起这个总数，3 次失误落在哪里更能说明问题。

假设 3 次失误都是摘要类问题被发给了问答工具，比如“合同 B 的要点是什么？”。那就改写两个工具的描述，把边界讲清楚，再用同样的 20 个问题重跑一遍。问题集要保持固定，这样每次改动都能看出是进步还是退步。

工具参数是一道数据边界

课程的第二步扩展，是让 LLM 在调用工具时自行填写参数。在客户现场，参数通常是页码、文档名或日期范围，也就是 Agent 被允许读取的数据范围本身。像“合同 B 第 5 页写了什么？”这样的问题，只有页码参数填对了，才能答对。

建议把 Agent 自行填写的每个参数都记录下来。客户投诉答案出错时，先查参数日志，再去怀疑模型，因为这是排查成本最低的一环。

调试与人工控制

第 4 课讲 Agent 的推理循环，是对真实客户项目最能立即派上用场的部分。Liu 演示了如何逐步查看 Agent 在做什么，并利用这些步骤来改进它：这是最基础形态的可观测性。

他还把“允许用户随时在中间步骤插入指导”称为一个非常强大的工具。

以对比三份合同为例，用户可能看到 Agent 刚读完第一份合同，就提示它“跳过附件，只看主体条款”。在客户演示中，能看清每一步并随时介入，往往比一个只返回最终答案的黑盒更让人放心。

该舍弃的：Agent 循环代码

LlamaIndex 官方文档现已将 AgentRunner 和 AgentWorker 列为弃用，改用 AgentWorkflow 和 Workflows；QueryPipeline 也已弃用，改用 Workflows。课程页面没有说明 notebook 用的是哪些类。因此，把任何 Agent 循环代码复制进客户项目之前，先打开 notebook 核对一遍。

比较合理的学法是：先跑通 notebook 理解流程，再用当前 API 自己重写。这个重写练习比课程本身更有用，因为它逼你弄懂每一步，而不只是把单元格重新运行一遍。

谁适合学，按什么顺序学？

这门课适合已经做过基础 RAG、即将接手第一个 Agent 项目的工程师。如果你已经在生产环境中运行 Agent，快速看一下第 4 课即可，其余可以跳过。在 Coursera 上，这门课标注的技能是 Tool Calling、RAG 和 Debugging。

要学就趁早：DeepLearning.AI 的学习平台目前处于 beta 阶段，这门课只是限时免费，条款可能会变。获取证书需要 PRO 订阅。

自然的下一步是 Event-Driven Agentic Document Workflows，同样由 DeepLearning.AI 与 LlamaIndex 合作推出，由 Laurie Voss 讲授。它讲的是带分支、循环和并行执行的事件驱动工作流，更接近 LlamaIndex 如今的用法。

做一个代码仓库：在真实文档集上重建路由 Agent，附上一张表，列出路由在带标注问题集上选对工具的比例，再附一份用户介入推理循环的 trace。这比任何描述都更能证明你掌握了上述每一项技能。

课程给了你框架。它在真实数据上是否管用，要靠你自己证明。