目录一、案例目标1.1 核心功能1.2 技术要点1.3 预期效果二、技术栈与核心依赖2.1 核心技术栈2.2 核心依赖库2.3 大语言模型选项三、项目配置3.1 环境准备步骤 1：安装 Ollama步骤 2：拉取所需模型步骤 3：启动 Qdrant 向量数据库3.2 依赖安装3.3 可选配置：网络搜索四、项目结构文件说明五、核心代码实现5.1 自定义嵌入类5.2 文档处理函数PDF 文档处理网页内容处理5.3 向量存储管理5.4 智能体初始化RAG 智能体网络搜索智能体5.5 核心查询流程六、运行与测试6.1 启动应用6.2 使用流程6.3 测试示例示例 1：PDF 文档问答示例 2：网页内容问答示例 3：网络搜索回退七、实现思路与扩展建议7.1 核心设计思想1. 本地优先原则2. 智能回退机制3. 灵活配置4. 来源追溯7.2 架构优势7.3 扩展建议功能扩展性能优化部署优化八、常见问题与解决方案8.1 Qdrant 连接失败8.2 模型加载失败8.3 内存不足8.4 检索结果不准确九、完整源码qwen_local_rag_agent.pyrequirements.txt项目概述：这是一个基于 Agno v2.0 框架构建的检索增强生成(RAG)系统，使用本地运行的 Qwen 3 和 Gemma 3 模型，结合文档处理、向量搜索和网络搜索功能，为用户查询提供准确、上下文感知的响应。一、案例目标1.1 核心功能本地大语言模型支持：支持多种本地运行的 LLM，包括 Qwen3(1.7b/8b)、Gemma3(1b/4b)、DeepSeek(1.5b)全面的 RAG 系统：支持 PDF 文档和网页内容的上传、处理、分块和嵌入智能向量检索：使用 Qdrant 向量数据库进行高效的相似度搜索网络搜索回退：当文档知识不足时，自动回退到网络搜索(通过 Exa API)灵活的操作模式：支持 RAG 模式和直接 LLM 对话模式切换