🤖 RAG LangChain Agent với LangGraph

Dự án AI Agent thông minh sử dụng RAG (Retrieval-Augmented Generation) để trả lời câu hỏi dựa trên dữ liệu riêng của bạn.

📋 Mô tả

Dự án này xây dựng một AI Agent có khả năng:

• 🔍 Tìm kiếm thông tin trong tài liệu của bạn bằng kỹ thuật RAG
• 💬 Trả lời câu hỏi thông minh dựa trên ngữ cảnh
• 🛠️ Sử dụng nhiều công cụ (tools) để giải quyết vấn đề
• 📝 Tìm kiếm pattern trong file với regex

✨ Tính năng

🎯 Hai Agent khác nhau:

1. agent_graph.py: Agent sử dụng OllamaLLM với LangGraph ReActAgent
2. agent_rag.py: Phiên bản debug với ChatOllama và logging chi tiết

🔧 Tools có sẵn:

• rag_qa: Trả lời câu hỏi dựa trên kho tri thức (FAISS vectorstore)
• search_in_file: Tìm kiếm các dòng trong file chứa pattern (hỗ trợ regex)

🚀 Cài đặt

Yêu cầu hệ thống:

• Python 3.8+
• Ollama đã được cài đặt và chạy

Bước 1: Clone repository

git clone <your-repo-url>
cd agent_rag

Bước 2: Cài đặt dependencies

pip install -r requirements.txt

Bước 3: Cài đặt Ollama models

# Cài đặt model LLM (chọn 1 trong các model sau)
ollama pull qwen3:latest
# hoặc
ollama pull llama3.2:latest
# hoặc
ollama pull mistral:latest

# Cài đặt model embedding (chọn 1)
ollama pull nomic-embed-text
# hoặc
ollama pull mxbai-embed-large

📚 Sử dụng

1. Xây dựng index lần đầu tiên

python agent_graph.py --input du_lieu.txt --question "Trung ương làm gì?"

2. Rebuild index (khi có dữ liệu mới)

python agent_graph.py --rebuild --input du_lieu.txt

3. Query với index đã có

# Câu hỏi mặc định
python agent_graph.py

# Câu hỏi tùy chỉnh
python agent_graph.py --question "Đại hội 14 diễn ra khi nào?" --time

# Sử dụng agent với debug mode
python agent_rag.py --question "Tìm kiếm thông tin về Trung ương"

4. Sử dụng RAG thuần (không dùng agent)

python rag_langchain.py --input du_lieu.txt --question "Hội nghị Trung ương 12 bàn về gì?"

⚙️ Tham số dòng lệnh

Agent (agent_graph.py & agent_rag.py)

Tham số	Mặc định	Mô tả
--input	None	File hoặc thư mục .txt để xây index
--index-path	.faiss_index	Thư mục lưu FAISS index
--embedding-model	nomic-embed-text	Model embedding trong Ollama
--llm-model	qwen3:latest	Model LLM trong Ollama
--chunk-size	800	Kích thước mỗi chunk văn bản
--chunk-overlap	100	Độ overlap giữa các chunk
--top-k	4	Số đoạn văn bản lấy từ vectorstore
--rebuild	False	Xây lại index từ đầu
--question, -q	None	Câu hỏi cần trả lời
--time	False	Hiển thị thời gian thực thi

RAG Core (rag_langchain.py)

Tương tự như trên, thêm:

Tham số	Mặc định	Mô tả
--encoding	utf-8	Encoding khi đọc file

📁 Cấu trúc dự án

agent_rag/
├── agent_graph.py          # Agent chính với LangGraph
├── agent_rag.py            # Agent debug mode
├── rag_langchain.py        # RAG core module
├── search_in_file.py       # Tool tìm kiếm trong file
├── test.py                 # File test
├── du_lieu.txt             # Dữ liệu mẫu
├── .faiss_index/           # FAISS vector database (auto-generated)
├── requirements.txt        # Dependencies
├── .gitignore             # Git ignore rules
└── README.md              # Tài liệu này

🛠️ Tool: search_in_file

Cú pháp khi Agent gọi tool:

file=<path>; pattern=<text_or_regex>; ignore_case=true|false; max_results=<int>

Ví dụ:

file=du_lieu.txt; pattern=Trung ương; ignore_case=true; max_results=5

💡 Ví dụ

Ví dụ 1: Truy vấn cơ bản

python agent_graph.py \
  --input du_lieu.txt \
  --question "Hội nghị Trung ương 12 bàn những vấn đề gì?" \
  --time

Ví dụ 2: Tùy chỉnh model

python agent_graph.py \
  --llm-model llama3.2:latest \
  --embedding-model mxbai-embed-large \
  --question "Ai là Tổng Bí thư?" \
  --top-k 3

Ví dụ 3: Thêm dữ liệu mới

# Bước 1: Thêm file .txt vào thư mục data/
mkdir data
cp your_new_data.txt data/

# Bước 2: Rebuild index với thư mục mới
python agent_graph.py \
  --rebuild \
  --input data/ \
  --question "Câu hỏi về dữ liệu mới"

🔧 Cấu hình nâng cao

Thay đổi chunk size

Nếu tài liệu của bạn có đoạn văn dài, tăng chunk-size:

python agent_graph.py --chunk-size 1200 --chunk-overlap 200

Tăng số lượng context (top-k)

Để LLM có nhiều thông tin hơn:

python agent_graph.py --top-k 6

🐛 Xử lý sự cố

Lỗi: "select() timeout" hoặc Ollama không kết nối

# Kiểm tra Ollama đang chạy
ollama list

# Nếu không, khởi động Ollama
ollama serve

Lỗi: Model không tồn tại

# Liệt kê models đã cài
ollama list

# Pull model cần thiết
ollama pull qwen3:latest
ollama pull nomic-embed-text

Lỗi: Unicode/Encoding trên Windows

Dự án đã có xử lý UTF-8 tự động. Nếu vẫn lỗi, chạy trong PowerShell:

$env:PYTHONIOENCODING="utf-8"
python agent_graph.py --question "..."

📊 So sánh các file

File	Mục đích	Khi nào dùng
agent_graph.py	Agent production	Sử dụng chính, ổn định
agent_rag.py	Agent debug	Debugging, xem chi tiết
rag_langchain.py	RAG thuần	Không cần agent, chỉ Q&A
search_in_file.py	Tool độc lập	Tìm kiếm file riêng lẻ

🤝 Đóng góp

Mọi đóng góp đều được hoan nghênh! Hãy:

1. Fork dự án
2. Tạo branch mới (git checkout -b feature/AmazingFeature)
3. Commit thay đổi (git commit -m 'Add some AmazingFeature')
4. Push to branch (git push origin feature/AmazingFeature)
5. Mở Pull Request

📝 License

Dự án này được phân phối dưới MIT License. Xem file LICENSE để biết thêm chi tiết.

🙏 Cảm ơn

• LangChain - Framework AI mạnh mẽ
• LangGraph - Xây dựng agent phức tạp
• Ollama - Chạy LLM local dễ dàng
• FAISS - Vector search nhanh

📧 Liên hệ

Nếu có câu hỏi hoặc góp ý, hãy mở issue trên GitHub!

---

Happy Coding! 🎉