傻傻分不清？一文彻底说清Agentic RAG的前世今生！

Agentic RAG就是一种融合了Agent能力的RAG，而Agent的核心能力是自主推理与行动。所以。

和老莫一起学AI

1608人浏览 · 2024-12-06 09:37:55

和老莫一起学AI · 2024-12-06 09:37:55 发布

生成式AI的发展日新月异，一不小心你就会淹没在新的概念中。RAG（检索增强生成）、Agent（智能体）作为主流的大语言模型（LLM）应用形式已经广为人知。这不还经常听到一个词：Agentic RAG，前两天还有人问小编它到底是RAG还是Agent？今天我们就来彻底说清楚Agentic RAG。

01 为什么需要Agentic RAG？

首先，RAG是什么？RAG是用检索到的外部知识来对LLM进行能力增强的一种技术，旨在降低LLM的幻觉并让其更好的适应特定领域内的应用场景。通俗的讲：RAG就是给LLM增加一个可快速查询的“外挂”知识库，增强其能力，以防它不懂的时候胡说八道。

RAG = LLM + 知识库 + 检索器

它可以让AI准确的回答诸如这样的问题：

公司的财务报销审核流程是怎样的？
上半年销售业绩前三名代理商是谁？
总结公司最新财报中的关键要点？

经典的RAG流程是借助检索器从知识库中查询问题相关（语义接近）的内容，并把这些内容作为LLM回答的上下文，从而得出最终答案。

现在，让我们考虑以下几个查询场景：

需要能够使用不同的检索技术来应对不同类型的查询问题。 如既能回答事实性查询（”xPhone手机详细参数“），也能回答总结性的问题（”总结下这篇论文要点“）
需要融合多个数据源的检索结果给出响应。 比如这样的查询：

”查询销量最高的三个代理商的摘要信息及其关联公司“

这里的问题是：
查询销量最高的代理商需要查询CRM系统的数据库
代理商的详细信息存储在非结构化文档中
关联公司的查询需要查询某个知识图谱数据库

单一的RAG检索与生成管道显然无法应对这样的问题。

需要结合外部工具来增强RAG管道的回答能力与响应质量。 比如这样一个查询任务：

“对比竞品公司产品与我公司产品，并总结媒体评论”

为了完成这个问题，你需要：
借助本地检索器，查询自身产品信息
借助Web搜索查询竞品信息
借助公开的API查询某些自媒体评论

这样的一个融合性查询任务也是单一RAG管道无法完成的。

希望RAG在检索相关数据后能够自我反思评估，必要时重新检索甚至改写问题。

这些都是在实际应用中可能会面临的需求，经典的RAG方案在面临这些场景时会捉襟见肘，因此更“Agentic”的RAG出现了。

在这里插入图片描述

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]👈

02 什么是Agentic RAG？

Agentic RAG就是一种融合了Agent能力的RAG，而Agent的核心能力是自主推理与行动。所以Agentic RAG就是将AI智能体的自主规划（如路由、行动步骤、反思等）能力带入到传统的RAG，以适应更加复杂的RAG查询任务。

Agentic RAG如何应对这些典型的复杂任务？一起来看。

在不同类型的RAG管道间自主选择（路由），以适应任务的多样性：

融合多种类型的RAG管道与数据源，以适应综合性复杂查询任务：

与必要的外部工具协作，以增强输出的准确性：

整体来说，Agentic RAG的“智能体”特征主要体现在检索阶段，相对于传统RAG的检索，Agentic RAG更能够：

决定是否需要检索
自主决策使用哪个检索引擎
自主规划使用检索引擎的步骤
评估检索到的上下文，并决定是否重新检索
自行规划是否需要借助外部工具

03 Agentic RAG VS 传统RAG

Agentic RAG在整体流程上与传统RAG一脉相承：检索-合成上下文-生成，但由于融入了Agent的自主能力，从而具有更强的适应性与任务质量。

这里的传统RAG指遵循“检索-上下文-生成”单一顺序流程的RAG应用。随着开发框架的不断完善，当前一些常用的高级RAG模块已经具备了部分Agentic的特征，比如：语义路由、多步骤查询转换、子问题查询转换等。

	传统单一流程RAG	Agentic RAG
场景	数据环境简单、任务单一	企业级数据环境，任务多样
数据源	通常基于单个检索引擎	通常基于多个检索引擎
索引	向量索引为主	可灵活结合多种索引
检索规划	无规划或静态规则	动态规划下一步检索策略
多步检索	通常不支持	借助多步骤推理自主实现
外部工具	通常不支持	自动推理使用必要的工具
反省机制	通常不支持	借助反省优化问题或重新检索
灵活性	不够灵活，流程固定	自主推理，或灵活编排

04 Agentic RAG技术架构

与顺序式的传统RAG架构相比，Agentic RAG的核心是Agent，而RAG管道（通常是检索器，也可能是完整的RAG查询引擎）则可以看作是Agent使用的一种工具，从而完美的融合到Agent的架构中。

从这个角度说，Agentic RAG是RAG，但更是Agent。 从技术架构看，也存在单Agent架构与多Agent架构。

【单Agent的Agentic RAG】

在这个架构中，只有一个具有自主能力的Agent。RAG管道与外部工具都作为Tool提供给Agent，Agent根据输入问题规划与决策这些工具的使用，检索与累积更全面的上下文，最后输出全面而准确的结果。

如果这里的Agent每次规划只会选择一个后端RAG检索管道，那么也就退化成了一个语义路由器模块。

【多Agent的Agentic RAG】

这是一个多层的Agent架构：一个顶层的Agent负责协调多个二级Agent，每个二级Agent再负责特定领域或特定类型的检索或查询任务，可以根据需要灵活划分不同Agent的职责。

比如，你可以这样设计：

Agent1负责企业内部知识库的检索。协调使用多个不同索引类型的检索器，如向量、知识图谱、甚至SQL检索。
Agent2负责客户相关数据的检索任务。协调使用多个不同地区客户数据的检索器。
Agent3负责借助各种工具从互联网检索必要的外部信息。
顶层的Agent则负责管理与协调使用上面三个Agent来共同完成复杂查询任务，实现任务拆分、派发与搜集结果，并最终响应用户。

多Agent的Agentic RAG架构具备更大的灵活性，实际开发中，你可以对不同的Agent进行单独规划、实现与调试，最后组合成一个更完备的RAG系统，提供超越传统的查询能力。

05 总结

Agentic RAG通过将智能体的核心能力引入到传统RAG，借助Agent的规划与推理能力，极大的增强了RAG检索的全面性、灵活性与准确性，使得能够执行更复杂与多样的数据密集型的查询任务，激发了RAG应用的新潜力。

当然，进步也伴随着挑战。利用智能体思想完成复杂任务也带来了对LLM的更深层依赖，引发了新的响应延迟与不确定性的问题。因此，在开发和使用 Agentic RAG 系统时，需要审慎考虑其优劣，以实现更高效和可靠的应用。

零基础如何学习AI大模型

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型典型应用场景

①AI+教育：智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据，提供量身定制的学习方案，提高学习效果。
②AI+医疗：智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像，辅助医生进行早期诊断，同时根据患者数据制定个性化治疗方案。
③AI+金融：智能投顾和风险管理系统帮助投资者做出更明智的决策，并实时监控金融市场，识别潜在风险。
④AI+制造：智能制造和自动化工厂提高了生产效率和质量。通过AI技术，工厂可以实现设备预测性维护，减少停机时间。
…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。