当RAG拥有“大脑”：揭秘Agentic RAG的进化之路

前2天我们介绍了有关RAG分块策略，通过优化文本切割方式（如按段落、语义或滑动窗口），让AI更精准地定位资料。但传统RAG仍有硬伤：被动检索、机械拼接答案、缺乏深度推理。

那接下来我们就介绍下Agentic RAG，在技术上对传统RAG进行突破。

01

RAG限制

检索增强生成 （RAG） 是一种用于构建 LLM 驱动的应用程序的技术。它利用外部知识源为 LLM 提供相关上下文并减少幻觉。

Naive RAG 由检索组件（通常由嵌入模型和向量数据库组成）和生成组件（LLM）组成。在推理时，用户查询用于对索引文档运行相似性搜索，以检索与查询最相似的文档，并为 LLM 提供额外的上下文。

典型的 RAG 应用程序有两个相当大的限制：

Naive RAG 只考虑一个外部知识源。但是，某些解决方案可能需要两个外部知识源，而某些解决方案可能需要外部工具和 API，例如 Web 搜索。

它们是一次性解决方案，这意味着上下文被检索一次。对检索到的上下文的质量没有推理或验证。

02

什么是AI系统中的代理

Agentic RAG 描述了一种基于 AI 代理的 RAG 实现。具体来说，它将 AI 代理整合到 RAG 中，以编排其组件并执行除简单信息检索和生成之外的其他作，以克服非代理的限制。

3.1 AgenticRAG如何运作？

与顺序的 RAG 架构相比，代理 RAG 架构的核心是代理。代理 RAG 架构可能具有不同程度的复杂程度。在最简单的形式中，单代理 RAG 架构是一个简单的路由器。但是，您也可以将多个代理添加到多代理 RAG 架构中。本节讨论两种基本的 RAG 架构。

4.1单代理RAG（路由器）

06

Agentic RAG 框架

LangChain、CrewAI、LlamaIndex 和 Letta 等代理框架已经出现，以促进使用语言模型构建应用程序。这些框架通过将预构建的模板插入在一起，简化了代理 RAG 系统的构建。

• LangChain 提供了许多使用工具的服务。LangChain 的 LCEL 和 LangGraph 框架进一步提供了内置工具。

• LlamaIndex 进一步介绍了 QueryEngineTool，这是检索工具的模板集合。

• CrewAI 是开发多代理系统的领先框架之一。用于工具使用的关键概念之一是在代理之间共享工具。

07

Agentic RAG 优劣势

从原版 RAG 到代理 RAG 的转变使这些系统能够产生更准确的响应，自主执行任务，并更好地与人类协作。

代理 RAG 的好处主要在于提高检索到的附加信息的质量。通过添加有权访问工具使用的代理，检索代理可以将查询路由到专业知识源。此外，代理的推理功能可以在将检索到的上下文用于进一步处理之前对其进行一层验证。因此，代理 RAG 可以带来更强大、更准确的响应。

点击分享 让更多人看到