前言

本篇文章我们将了解AgenticRAG如何帮助解决传统RAG的局限性。

RAG框架

RAG（检索增强生成）框架按照特定的顺序运行：

文档 -> 文档片段 -> 向量数据库 -> 片段检索（Top K） -> 大语言模型（LLM）

然而，当处理某些类型的查询时，这一顺序会遇到障碍。

问题1：摘要

考虑一个查询如“总结该文档”。

传统的RAG方法会检索出排名前K的片段并进行摘要。
但如果检索文档中的所有片段并进行摘要，不是会更全面吗？

问题2：比较文档

当被要求比较文档A和文档B时，基本的RAG（检索增强生成）会随机抽取若干片段并尝试对比这些顶级的K个片段。
这样并不能准确地反映出文档的全貌，因为它没有涵盖文档的全部范围。

问题3：结构化数据分析

考虑一个问题如“下一次休假是什么时候”。

第一步是从一个结构化表格中检索员工所属的地区。
根据该地区，从休假政策文档中提取该地区的下一次休假信息。
在这个过程中，当前的RAG框架并不能直接完成这一任务。

问题4：多部分问题

考虑一个问题，如“识别所有地区的共同假期？”。

假设你有一份公司的假期政策文件，该文件涵盖了120个国家。
由于你传递的是前K个上下文，可以进行比较的最大地区数量限制为K，其中K是传递给LLM的块数。

查看我们的带有LlamaIndex课程的AgenticRAG，包含5个实时案例研究。

Agentic RAG

通过使用自定义智能体替换，具身RAG可以解决这四个问题。

智能体将与多个系统进行交互。
现在，RAG是该系统的一部分，智能体可以使用它。

智能体使用大语言模型（LLMs）来自动化推理和工具选择。
RAG只不过是智能体可能决定使用的一个工具。

路由智能体

路由智能体是将查询路由到一个或多个工具的简单智能体。
一个智能体可以在一个或多个工具中路由查询。
记住我们的问题“总结文档”，或者如果我们想要结合“摘要+语义搜索”的问题，可以使用以下路由示例来解决。

查询规划智能体

查询规划智能体将查询分解为子查询。
每个子查询都可以在RAG管道上执行。

用于智能体的工具

LLM可以拥有多种工具，比如调用API、推断API参数。
RAG现在是LLM可能使用的一种工具。

最后的最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

## 大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】