【RAG】RAG范式演进及Agentic-RAG总结综述

RAG的核心思想是通过实时数据检索弥补这一缺陷——在生成答案前，系统先从外部数据源（如数据库、API或互联网）动态检索相关上下文，再结合LLM的知识生成更精准、实时的响应。。rag三大组件检索器（Retriever）：从外部数据源（如向量数据库、知识图谱或网页）中搜索与查询相关的信息。相关技术：如BM25关键词匹配、密集向量搜索等。增强器（Augmenter）:对检索结果进行筛选、排序和整合，提取

荔枝学Python

1379人浏览 · 2025-02-07 20:46:29

荔枝学Python · 2025-02-07 20:46:29 发布

RAG的核心思想是通过实时数据检索弥补这一缺陷——在生成答案前，系统先从外部数据源（如数据库、API或互联网）动态检索相关上下文，再结合LLM的知识生成更精准、实时的响应。但它们通常在处理动态、多步推理任务、适应性和复杂工作流的协调方面仍然存在不足。

rag三大组件

检索器（Retriever）：从外部数据源（如向量数据库、知识图谱或网页）中搜索与查询相关的信息。相关技术：如BM25关键词匹配、密集向量搜索等。
增强器（Augmenter）:对检索结果进行筛选、排序和整合，提取最相关的片段。相关技术：上下文重排序、多跳检索。
生成器（Generator）：将增强后的上下文与LLM的预训练知识结合，生成自然语言回答。确保回答连贯且忠实于检索内容，避免出现幻觉。

RAG范式演进

RAG范式的对比

Naive RAG：基础实现

Naive RAG是RAG范式的最初实现，其核心思想是通过简单的关键词检索来增强生成模型的能力。这种方法依赖于TF-IDF、BM25等传统的检索技术，从静态数据集中获取文档，并将其用于生成模型的输入。

优点：

简单易实现：由于依赖简单的关键词匹配，Naive RAG易于实现。
快速部署：适合需要快速上线的场景。

缺点：

缺乏上下文感知：由于仅依赖词汇匹配，无法捕捉查询的语义细微差别。
输出碎片化：生成的响应可能不连贯或过于通用。
可扩展性问题：在处理大规模数据集时表现不佳。

Advanced RAG：语义增强

为了克服Naive RAG的局限性，Advanced RAG引入了语义理解和增强的检索技术。Advanced RAG使用密集向量搜索模型（如Dense Passage Retrieval, DPR）和神经排序算法来提高检索的精确度。

关键特性：

密集向量搜索：通过将查询和文档表示在高维向量空间中，实现更好的语义对齐。
上下文重排：使用神经模型重新排序检索到的文档，优先考虑最相关的信息。
多跳检索：支持跨多个文档的推理，适用于复杂查询。

适用场景：

高精度需求：如研究综合和个人化推荐。

Modular RAG：模块化设计

Modular RAG代表了RAG范式的最新发展，强调灵活性和定制化。这种系统将检索和生成管道分解为独立的、可重用的组件，允许针对特定领域进行优化和任务适应。

创新点：

混合检索策略：结合稀疏和密集检索方法，以最大化不同查询类型的准确性。
工具集成：可以集成外部API、数据库或计算工具来处理专门任务。
可组合管道：允许独立替换、增强或重新配置检索器、生成器和其他组件。

适用场景：

复杂多领域任务：如金融分析和个性化推荐。

Graph RAG：图结构整合

Graph RAG通过整合图结构数据来扩展传统的RAG系统。这些系统利用图数据中的关系和层次结构来增强多跳推理和上下文丰富。

特点：

节点连接性：捕捉实体之间的关系。
层次知识管理：通过图结构处理结构化和非结构化数据。
上下文丰富：通过图路径增加关系理解。

适用场景：

结构化数据任务：如医疗诊断和法律研究。

Agentic RAG：自主代理

Agentic RAG代表了一种范式转变，通过引入能够动态决策和优化工作流的自主代理来实现更高层次的灵活性和适应性。与静态系统不同，Agentic RAG采用迭代细化和自适应检索策略来处理复杂的实时和多领域查询。

关键特性：

自主决策：代理根据查询复杂性独立评估和管理检索策略。
迭代细化：通过反馈循环提高检索准确性和响应相关性。
工作流优化：动态协调任务，提高实时应用的效率。

适用场景：

动态适应性强：如客户支持和财务分析。

👉[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）]()👈

Agentic RAG

Agentic RAG概览

一、Agentic RAG的核心模式

反思

定义：智能体评估自己的决策和输出，识别错误和需要改进的领域。
主要优势：
启用迭代结果改进。
提高多步推理任务的准确性。
示例：在医疗诊断系统中，智能体根据检索到的数据进行迭代反馈，以完善诊断。

反思模式

2. 规划

定义：智能体创建结构化的工作流和任务序列，以高效解决问题。
主要优势：
通过分解任务，促进多步推理。
通过优化任务优先级，减少计算开销。
示例：金融分析系统规划数据检索任务，以评估风险并提供建议。

规划模式

3. 工具使用

定义：智能体与外部工具、API和知识库交互，以检索和处理数据。
主要优势：
扩展系统的能力，超越预训练知识。
通过整合外部资源，实现特定领域的应用。
示例：法律助理智能体从合同数据库中检索条款，并应用特定领域的规则进行合规性分析。

工具使用模式

4. 多智能体协作

定义：多个智能体协作，通过分工和共享信息及结果来解决复杂任务。
主要优势：
高效处理大规模和分布式问题。
结合专业智能体的能力，获得更好的结果。
示例：在客户支持中，智能体协作以从常见问题解答（FAQ）中检索知识、生成响应并提供后续服务。 LawGlance通过利用多智能体工作流简化法律研究，检索相关文件，分析信息，并提供精确的法律见解。它整合了Crew AI、LangChain和Chroma，以检索法律文件、进行网络搜索，并提供针对用户查询的简洁、准确的答案。