Agentic RAG 目前最強(qiáng)大的RAG實(shí)現(xiàn)方式 原創(chuàng)
1、什么是RAG？
??RAG 作為一種提升生成式 AI 模型表現(xiàn)的框架，通過(guò)檢索外部知識(shí)源，增強(qiáng)生成內(nèi)容的準(zhǔn)確性與豐富度。AI Agent 則是具備感知、推理、行動(dòng)和學(xué)習(xí)能力的自主軟件系統(tǒng)，能在復(fù)雜環(huán)境中完成任務(wù)。二者結(jié)合，讓 AI 系統(tǒng)擁有更強(qiáng)大的功能。
. ??傳統(tǒng) RAG 存在檢索時(shí)機(jī)難定、文檔質(zhì)量不佳、易生成錯(cuò)誤信息等問(wèn)題。Agentic RAG 系統(tǒng)有效解決了這些痛點(diǎn)，在客戶支持、內(nèi)容創(chuàng)作、研究輔助、工作流自動(dòng)化等場(chǎng)景廣泛應(yīng)用。例如在客戶支持中，它能快速檢索實(shí)時(shí)數(shù)據(jù)，精準(zhǔn)回應(yīng)客戶咨詢；內(nèi)容創(chuàng)作時(shí)，依托檢索知識(shí)，在專業(yè)領(lǐng)域產(chǎn)出高質(zhì)量?jī)?nèi)容。
典型的 RAG 應(yīng)用有兩個(gè)相當(dāng)大的局限性：簡(jiǎn)單的 RAG 管道僅考慮一個(gè)外部知識(shí)源。但是，有些解決方案可能需要兩個(gè)外部知識(shí)源，而有些解決方案可能需要外部工具和 API，例如網(wǎng)絡(luò)搜索。它們是一次性解決方案，這意味著上下文只被檢索一次。對(duì)檢索到的上下文的質(zhì)量沒(méi)有任何推理或驗(yàn)證。
一個(gè)流行的框架是ReAct 框架。ReAct 代理可以通過(guò)將路由、查詢規(guī)劃和工具使用組合成一個(gè)實(shí)體來(lái)處理順序的多部分查詢，同時(shí)保持狀態(tài)（在內(nèi)存中）。ReAct = Reason + Act（With LLMs）
該過(guò)程涉及以下步驟：
思考：收到用戶查詢后，代理會(huì)推斷下一步要采取的行動(dòng)
動(dòng)作：代理決定一個(gè)動(dòng)作并執(zhí)行它（例如，使用工具）
觀察：代理觀察動(dòng)作的反饋
該過(guò)程不斷重復(fù)，直到代理完成任務(wù)并響應(yīng)用戶。
2、什么是Agentic RAG？
Agentic RAG就是一種融合了Agent能力的RAG，而Agent的核心能力是自主推理與行動(dòng)。所以Agentic RAG就是將AI智能體的自主規(guī)劃（如路由、行動(dòng)步驟、反思等）能力帶入到傳統(tǒng)的RAG，以適應(yīng)更加復(fù)雜的RAG查詢?nèi)蝿?wù)。
Agentic RAG如何應(yīng)對(duì)這些典型的復(fù)雜任務(wù)？一起來(lái)看。
在不同類型的RAG管道間自主選擇（路由），以適應(yīng)任務(wù)的多樣性：
融合多種類型的RAG管道與數(shù)據(jù)源，以適應(yīng)綜合性復(fù)雜查詢?nèi)蝿?wù)：
與必要的外部工具協(xié)作，以增強(qiáng)輸出的準(zhǔn)確性：
. ??Agentic RAG 系統(tǒng)包含多種類型。Agentic RAG 路由器依據(jù)查詢特性，將任務(wù)分配至合適組件，單一路由器適用于簡(jiǎn)單場(chǎng)景，多路由器則能處理復(fù)雜系統(tǒng)的大量查詢。查詢規(guī)劃型 Agentic RAG 可通過(guò)智能分解、分布式處理和響應(yīng)合成，高效處理復(fù)雜查詢。
. ??自適應(yīng) RAG 根據(jù)查詢復(fù)雜度選擇處理策略，簡(jiǎn)單問(wèn)題直接生成答案，復(fù)雜問(wèn)題多步驟檢索推理，提高計(jì)算效率與回答準(zhǔn)確性。主動(dòng)型糾錯(cuò) RAG 引入自我糾錯(cuò)機(jī)制，評(píng)估檢索文檔，重寫(xiě)查詢并結(jié)合網(wǎng)絡(luò)搜索，提升答案質(zhì)量。自反射 RAG 具備自我反思和邏輯推理能力，動(dòng)態(tài)檢索并自評(píng)輸出，減少幻覺(jué)現(xiàn)象。Speculative RAG 利用大小模型分工，小模型起草、大模型核查，實(shí)現(xiàn)快速準(zhǔn)確回答。Self Route Agentic RAG 讓 LLM 判斷能否回答問(wèn)題，合理調(diào)用長(zhǎng)上下文模型，平衡成本與性能。
. ??Agentic RAG 系統(tǒng)憑借其創(chuàng)新架構(gòu)與強(qiáng)大功能，在 AI 領(lǐng)域取得顯著進(jìn)展。隨著技術(shù)不斷發(fā)展，它將在更多領(lǐng)域發(fā)揮重要作用，為 AI 創(chuàng)新奠定堅(jiān)實(shí)基礎(chǔ)。
. ?為什么需要Agentic RAG?
Agentic RAG的“智能體”特征主要體現(xiàn)在檢索階段，相對(duì)于傳統(tǒng)RAG的檢索，
Agentic RAG更能夠：
??決定是否需要檢索
??自主決策使用哪個(gè)檢索引擎
??自主規(guī)劃使用檢索引擎的步驟
??評(píng)估檢索到的上下文，并決定是否重新檢索
??自行規(guī)劃是否需要借助外部工具
. ?Agentic RAG 的應(yīng)用
?客戶支持：通過(guò)訪問(wèn)實(shí)時(shí)數(shù)據(jù)源，自動(dòng)檢索并提供準(zhǔn)確的用戶查詢響應(yīng)。
?內(nèi)容創(chuàng)作：生成復(fù)雜領(lǐng)域（如法律或醫(yī)療）中的上下文豐富的內(nèi)容，依托于檢索的知識(shí)。
?研究輔助：通過(guò)自主收集和綜合來(lái)自廣泛數(shù)據(jù)庫(kù)的相關(guān)材料，幫助研究人員。
?工作流自動(dòng)化：通過(guò)將基于檢索的決策集成到企業(yè)流程中，簡(jiǎn)化企業(yè)運(yùn)營(yíng)。
Agentic RAG 架構(gòu)
與順序式簡(jiǎn)單 RAG 架構(gòu)相比，代理式 RAG 架構(gòu)的核心是代理。代理式 RAG 架構(gòu)可以具有各種復(fù)雜程度。在最簡(jiǎn)單的形式中，單代理 RAG 架構(gòu)是一個(gè)簡(jiǎn)單的路由器。但是，您也可以將多個(gè)代理添加到多代理 RAG 架構(gòu)中。本節(jié)討論了兩種基本的 RAG 架構(gòu)。
單代理 RAG（路由器）
最簡(jiǎn)單的形式是，agentic RAG 是一個(gè)路由器。這意味著您至少有兩個(gè)外部知識(shí)源，代理決定從哪個(gè)源檢索其他上下文。但是，外部知識(shí)源不必局限于（矢量）數(shù)據(jù)庫(kù)。您也可以從工具中檢索更多信息。例如，您可以進(jìn)行網(wǎng)絡(luò)搜索，或者您可以使用 API 從 Slack 頻道或您的電子郵件帳戶檢索其他信息。
多代理 RAG 系統(tǒng)
正如您所猜測(cè)的，單代理系統(tǒng)也有其局限性，因?yàn)樗鼉H限于一個(gè)代理，集推理、檢索和答案生成于一體。因此，將多個(gè)代理鏈接到多代理 RAG 應(yīng)用程序中是有益的。
例如，您可以讓一個(gè)主代理協(xié)調(diào)多個(gè)專門檢索代理之間的信息檢索。一個(gè)代理可以從專有的內(nèi)部數(shù)據(jù)源檢索信息。另一個(gè)代理可以專門從您的個(gè)人帳戶（例如電子郵件或聊天）檢索信息。另一個(gè)代理還可以專門從網(wǎng)絡(luò)搜索中檢索公開(kāi)信息。
Agentic RAG 與 普通RAG
雖然 RAG 的基本概念（發(fā)送查詢、檢索信息和生成響應(yīng)）保持不變，但工具的使用對(duì)其進(jìn)行了概括，使其更加靈活和強(qiáng)大。
可以這樣想：普通（原始）RAG 就像在圖書(shū)館（智能手機(jī)出現(xiàn)之前）回答特定問(wèn)題。另一方面，Agentic RAG 就像手中拿著一部智能手機(jī)，上面有網(wǎng)絡(luò)瀏覽器、計(jì)算器、電子郵件等。
從原始 RAG 到代理 RAG 的轉(zhuǎn)變使得這些系統(tǒng)能夠產(chǎn)生更準(zhǔn)確的響應(yīng)、自主執(zhí)行任務(wù)并更好地與人類合作。代理 RAG 的優(yōu)勢(shì)主要在于提高了檢索到的附加信息的質(zhì)量。通過(guò)添加具有工具使用權(quán)限的代理，檢索代理可以將查詢路由到專門的知識(shí)源。此外，代理的推理能力使檢索到的上下文在用于進(jìn)一步處理之前能夠進(jìn)行一層驗(yàn)證。因此，代理 RAG 管道可以帶來(lái)更穩(wěn)健、更準(zhǔn)確的響應(yīng)。
Agentic RAG 的局限性
然而，任何事物都有兩面性。使用 AI 代理執(zhí)行子任務(wù)意味著要結(jié)合 LLM 來(lái)完成任務(wù)。這帶來(lái)了在任何應(yīng)用程序中使用 LLM 的局限性，例如增加延遲和不可靠性。根據(jù) LLM 的推理能力，代理可能無(wú)法充分完成任務(wù)（甚至根本無(wú)法完成）。重要的是要結(jié)合適當(dāng)?shù)墓收夏Ｊ?，以幫?AI 代理在無(wú)法完成任務(wù)時(shí)擺脫困境。
本文轉(zhuǎn)載自公眾號(hào)數(shù)字化助推器 作者：天涯咫尺TGH
