MovieAgent的LangGraph编排与多路召回重排
一篇以代码为依据的文章介绍了MovieAgent基于LangGraph的五节点流水线,依次完成意图解析、规划、执行、反思和生成。作者称,仅首尾节点调用大模型,中间阶段采用确定性逻辑。六路召回产生候选后,系统对其进行合并去重,并用倒数排名融合(RRF)排序,再通过最大边际相关性(MMR)重排增加多样性。文章还介绍了可选的大模型精排、基于反馈的权重调整,以及旨在保留多样性结果的位置先验。作者自行开展的内部离线评估仅对5个查询取平均,结果显示,RRF的NDCG@10为0.9969、MRR为0.60,而此前基于分数融合的结果分别为0.8904和0.23。作者指出,偏好类请求可能触发不必要的召回和重排;原计划用于保留一个冷启动推荐位置的护栏也尚未实现。
该文章展示了在影片推荐系统中结合确定性智能体编排、多路召回和多样性重排的具体实现方式。不过,相关性能对比仅来自作者自行开展且仅覆盖5个查询的内部评估,因此应谨慎看待所报告的提升。
第 3 篇 · 核心引擎:LangGraph 编排与多路召回重排
《从零造一个影片推荐智能体》系列 · 第 3 篇 / 共 10 篇 上篇收尾说「第 3–8 篇各自认领其中一层,不会回来重画这张图」。这篇先挑最上面那颗心脏开刀——它怎么听懂人话、怎么派活、怎么把一堆参差不齐的候选排成一份像样的片单。
前言
上一篇我们把地图摊开了,六层、agent/、快慢车道。有朋友看完问了个特别实在的问题:「架构我都懂,可你说半天 Agent,它到底干了啥?」
这个问题问得我挺高兴,因为它戳到了我最想聊的部分。
想象一下你瘫在沙发上打开对话框,敲了一句「推荐一部太空科幻片,要那种孤独感的」。回车下去,屏幕上先是跳一个「正在识别意图」的小步骤,接着是「正在检索影片」,然后答案一个字一个字往外蹦,最后给你三到五部片子,每部还附一段「为什么推它」。
#MovieAgent#LangGraph#Reciprocal Rank Fusion#Maximal Marginal Relevance