一、Agentic RAG VS 传统RAG

• 传统RAG：通过结合LLMs的生成能力和外部检索机制，从知识库、API或网络等实时数据源检索信息，提高了响应的相关性和时效性。

• 但传统的RAG系统存在工作流程静态、缺乏适应性等局限，难以进行复杂的多步推理和任务管理。

• Agentic RAG（代理增强检索生成）：通过在RAG流程中嵌入自主AI代理，这些代理利用反思、规划、工具使用和多代理协作等代理设计模式，动态管理检索策略，迭代细化上下文理解，并适应工作流程以满足复杂任务需求。

二、RAG进化史

2.1 Naïve RAG

• 基于关键词的检索，依赖于TF-IDF和BM25等简单关键词检索技术，从静态数据集获取文档。

• 优点：简单易实现，适用于基于事实的查询

• 缺点：在缺乏上下文感知、输出碎片化和可扩展性问题等局限。

2.2 Advanced RAG

• 在Naïve RAG的基础上，引入了语义理解和增强的检索技术，如密集检索模型DPR和神经排名算法，提高了检索精度。

• 主要特点包括：

• 密集向量搜索（Dense Vector Search）

• 上下文重排（Contextual Re-Ranking）

• 迭代检索（Iterative Retrieval）

• 适用于需要高精度和细腻理解的应用，如：研究综合和个性化推荐，但仍面临计算开销和可扩展性挑战。

2.3 Modular RAG

• 强调灵活性和定制化，将检索和生成流程分解为独立、可重用的组件，支持特定领域的优化和任务适应性。

• 创新包括：

• 混合检索策略（Hybrid Retrieval Strategies）

• 工具和API集成（Tool Integration）

• 可组合的管道（Composable Pipelines）

• 适用于复杂、多领域的任务，提供可扩展性和精度。

2.4 Graph RAG

• 通过整合基于图的数据结构，扩展了传统RAG系统，利用图数据中的关系和层次结构增强多跳推理和上下文丰富度。

• 创新包括：

• 节点连接性（Node Connectivity）

• 层次知识管理（Hierarchical Knowledge Management）

• 上下文丰富度（Context Enrichment）

• 缺点包括：

• 可扩展性有限（Limited Scalability）

• 数据依赖（Data Dependency）

• 集成复杂性（Complexity of Integration）等问题

• 适用于医疗诊断、法律研究等需要关系理解的应用。

2.5 Agentic RAG

• 引入自主代理，实现动态决策和工作流程优化，克服了传统RAG的静态工作流程和有限适应性。

• 其关键特征包括：

• 自主决策（Autonomous Decision-Making）

• 迭代细化（Iterative Refinement）

• 工作流程优化（Workflow Optimization）

• 适用于客户服务、金融分析和自适应学习平台等领域

• 但也存在一些挑战

• 在协调复杂性（Coordination Complexity）

• 计算开销（Computational Overhead）

• 可扩展性限制方面（Scalability Limitations）

三、Agentic RAG的工作流程

1. 查询提交用户查询被协调代理或主检索代理接收，作为中央协调器，根据查询要求将查询分配给专门的检索代理。

2. 专门检索代理查询被分发到多个检索代理，每个代理专注于特定类型的数据源或任务，如结构化查询、语义搜索、实时公共信息检索和推荐系统。

3. 工具访问和数据检索

每个代理将查询路由到其域内的适当工具或数据源，如向量搜索、Text-to-SQL、网络搜索和API，检索过程并行执行，提高多样化查询类型的处理效率。

1. 数据整合和LLM合成

检索完成后，所有代理的数据传递给大型语言模型（LLM），LLM将检索到的信息整合成连贯且上下文相关的响应，无缝整合多个来源的见解。

1. 输出生成系统生成全面的响应，以可操作且简洁的格式交付给用户。

四、Agentic RAG框架

• Single-Agent Agentic RAG: Route

• 关注点在于孤立的检索和生成任务，上下文维护能力有限，动态适应性低，缺乏工作流程协调

• 基本整合外部工具/API，可扩展性有限，复杂推理能力基本

• 主要应用于问答系统和知识检索，优点是简单、快速部署，挑战在于上下文理解能力差。

• Multi-Agent Agentic RAG

• 通过多代理协作和推理，实现了上下文维护，动态适应性高

• 能够协调多代理任务，扩展性强，适用于多领域知识和推理

• 优点是高准确性、协作推理，挑战在于协调复杂性和资源开销。

• Agentic Corrective RAG

• AdaptiveAgenticRAG

• Graph-Based Agentic RAG

• Agentic Document Workflows（ADW）

• 专注于文档中心的端到端工作流程，维护多步工作流程的状态，动态适应性针对文档工作流程，整合多步文档处理，深度整合业务规则和特定领域工具，可扩展性强，适用于合同审查、发票处理、索赔分析等，优点是端到端自动化、特定领域智能，挑战在于资源开销和领域标准化。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[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）]()👈

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓