再见 RAG,你好 Agentic RAG!
检索增强生成(RAG)是一种构建基于大语言模型(LLM)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虚构内容的产生。一个简单的 RAG 流程包括检索组件(通常由嵌入模型和向量数据库组成)和生成组件(即 LLM)。在推理时,用户查询用于对索引文档进行相似性搜索,以检索与查询最相似的文档,并为 LLM 提供额外的上下文。随着大语言模型(LLMs)的普及,新的 AI Agent 智能
1、RAG 是什么?
检索增强生成(RAG)是一种构建基于大语言模型(LLM)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虚构内容的产生。
一个简单的 RAG 流程包括检索组件(通常由嵌入模型和向量数据库组成)和生成组件(即 LLM)。在推理时,用户查询用于对索引文档进行相似性搜索,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 应用有两个显著的局限性:
-
第一、简单的 RAG 流程只考虑一个外部知识源。然而,有些解决方案可能需要两个外部知识源,有些解决方案可能需要外部工具和 API,例如网络搜索。
-
第二、它们是一种一次性解决方案,这意味着上下文只检索一次。对于检索到的上下文的质量,没有进行推理或验证。
2、 Agent 是什么?
随着大语言模型(LLMs)的普及,新的 AI Agent 智能体和多 Agents 智能体系统范式已经出现。AI Agent 智能体是具有角色和任务的 LLMs,它们可以访问记忆和外部工具。LLMs 的推理能力帮助 AI Agent 智能体规划所需的步骤并采取行动来完成手头的任务。
因此,AI Agent 智能体的核心组件包括:
-
LLM(具有角色和任务);
-
记忆(短期和长期);
-
规划(例如,反思、自我批评、查询路由等);
-
工具(例如,计算器、网络搜索等);
AI Agent 智能体一个流行的框架是 ReAct 框架。ReAct 智能体可以通过将路由、查询规划和工具使用合并为一个实体,处理顺序的多个查询同时保持状态(在记忆中)。
ReAct = Reason(推理)+ Act(行动)(使用LLMs)
这个过程包括以下步骤:
-
思考:在接收到用户查询后,AI Agent 智能体推理接下来要采取的行动;
-
行动:AI Agent 智能体决定并执行一个行动(例如,使用工具);
-
观察:AI Agent 智能体观察行动的反馈;
-
这个过程不断迭代,直到 AI Agent 智能体完成任务并回应用户。
2.你好 Agentic RAG
1、 Agentic RAG 是什么?
Agentic RAG 描述了一种基于 AI Agent 智能体的 RAG 实现。具体来说,它将 AI Agent 智能体整合到 RAG 流程中,以协调其组件并执行超出简单信息检索和生成的额外动作,以克服非 AI Agent 智能体流程的限制,可以处理复杂的任务。
2、Agentic RAG 是如何工作的?
虽然 AI Agent 智能体可以在 RAG 流程的不同阶段被整合,但 Agentic RAG 通常指的是在检索组件中使用 AI Agent 智能体。
具体来说,通过使用可以访问不同检索工具的检索 AI Agent 智能体,检索组件变得具有智能化,例如:
-
向量搜索引擎(也称为查询引擎),它对向量索引执行向量搜索(例如,典型的 RAG 流程中);
-
网络搜索;
-
计算器;
-
任何 API,用于以编程方式访问软件,例如电子邮件或聊天程序;
-
等等。
然后,Agentic RAG 可以在以下示例检索场景中进行推理和行动:
-
决定是否检索信息;
-
决定使用哪个工具来检索相关信息;
-
制定查询本身;
-
评估检索到的上下文并决定是否需要重新检索。
3、 Agentic RAG 的架构设计
与顺序的 Naive RAG 架构相比,Agentic RAG 架构的核心是 AI Agent 智能体。Agentic RAG 架构可以具有不同级别的复杂性。在最简单的形式中,single-agent RAG 架构是一个简单的路由器。然而,你也可以在 mutil-agent RAG 架构中添加多个 AI Agent 智能体。
第一、single-agent RAG 架构设计
在其最简单形式中,Agentic RAG 是一个路由器。这意味着你至少有两个外部知识源,AI Agent 智能体决定从哪个源检索额外的上下文。然而,外部知识源不必仅限于(向量)数据库。你也可以从工具中检索更多信息。例如,你可以进行网络搜索,或者你可以使用 API 从 Slack 频道或你的电子邮件账户中检索额外信息。
第二、multi-agent RAG 架构设计
single-agent RAG 系统也有其局限性,因为它仅限于只有一个 AI Agent 智能体进行推理、检索和答案生成。因此,将多个 AI Agent 智能体链接成一个multi-agent RAG 应用程序是有益的。
例如,你可以有一个主 AI Agent 智能体,它协调多个专门检索 AI Agent 智能体之间的信息检索。比如,一个 AI Agent 智能体可以从专有的内部数据源检索信息。另一个 AI Agent 智能体可以专门从你的个人账户,如电子邮件或聊天中检索信息。另一个 AI Agent 智能体也可以专门从网络搜索中检索公共信息。
上述示例展示了不同检索 AI Agent 智能体的使用。然而,你也可以使用 AI Agent 智能体来执行除检索之外的其它目的。在 RAG 系统中,AI Agent 智能体的可能性是多样的。
4、 Agentic RAG VS RAG
虽然 RAG 的基本概念(发送查询、检索信息并生成响应)保持不变,但工具的使用将其泛化,使其更加灵活和强大。
可以这样想:普通的(标准的)RAG 就像是去图书馆(在智能手机出现之前)回答一个特定的问题。而 Agentic RAG 则像是手里拿着一部智能手机,上面有网络浏览器、计算器、你的电子邮件等等。
5、 实现一个 Agentic RAG
如前所述,AI Agent 智能体由多个组件组成。要构建一个 Agentic RAG 流程,有两个选择:具有函数调用的大模型或 AI Agent 智能体框架。这两种实现方式都能达到相同的结果,只是取决于你想要的控制和灵活性。
第一种实现:具有函数调用的大模型
大模型是 Agentic RAG 系统的核心组件。另一个组件是工具,它们使大模型能够访问外部服务。具有函数调用的大模型提供了一种构建 Agentic RAG 系统的方式,允许大模型与预定义的工具交互。大模型提供商已经将这个功能添加到他们的客户端中。
在2023年6月,OpenAI 为 gpt-3.5-turbo 和 gpt-4 发布了函数调用功能。这使得这些大模型能够可靠地将 GPT 的能力与外部工具和 API 连接起来。开发者迅速开始构建应用程序,将 gpt-4 插入代码执行器、数据库、计算器等。
Cohere 进一步推出了他们的连接器 API,以将工具添加到 Command-R 系列模型的套件中。此外,Anthropic 和 Google 为 Claude 和 Gemini 推出了函数调用功能。通过外部服务为这些大模型提供动力,它可以访问和引用网络资源,执行代码等等。
函数调用不仅适用于专有模型。Ollama 为流行的开源模型,比如:Llama3.2、nemotron-mini 等提供了工具支持。
要构建一个工具,你首先需要定义函数。在这个代码片段中,我们正在编写一个使用 Weaviate 的混合搜索从数据库中检索对象的函数:
def get_search_results(query: str) -> str:` `"""Sends a query to Weaviate's Hybrid Search. Parses the response into a {k}:{v} string."""` ` response = blogs.query.hybrid(query, limit=5)` ` stringified_response = ""` `for idx, o in enumerate(response.objects):` `stringified_response += f"Search Result: {idx+1}:\n"` `for prop in o.properties:` `stringified_response += f"{prop}:{o.properties[prop]}"` `stringified_response += "\n"` ` return stringified_response
然后,我们将通过一个 tools_schema 将函数传递给大模型。这个模式随后被用于大模型的提示词中:
tools_schema=[{` `'type': 'function',` `'function': {` `'name': 'get_search_results',` `'description': 'Get search results for a provided query.',` `'parameters': {` `'type': 'object',` `'properties': {` `'query': {` `'type': 'string',` `'description': 'The search query.',` `},` `},` `'required': ['query'],` `},` `},``}]
由于您是直接连接到大模型 API,因此您需要编写一个循环,用于在大模型和工具之间进行路由:
def ollama_generation_with_tools(user_message: str,` `tools_schema: List, tool_mapping: Dict,` `model_name: str = "llama3.1") -> str:` `messages=[{` `"role": "user",` `"content": user_message` `}]` `response = ollama.chat(` `model=model_name,` `messages=messages,` `tools=tools_schema` `)` `if not response["message"].get("tool_calls"):` `return response["message"]["content"]` `else:` `for tool in response["message"]["tool_calls"]:` `function_to_call = tool_mapping[tool["function"]["name"]]` `print(f"Calling function {function_to_call}...")` `function_response = function_to_call(tool["function"]["arguments"]["query"])` `messages.append({` `"role": "tool",` `"content": function_response,` `})` ` final_response = ollama.chat(model=model_name, messages=messages)` `return final_response["message"]["content"]
您的查询将会是这样的:
ollama_generation_with_tools("How is HNSW different from DiskANN?",` `tools_schema=tools_schema, tool_mapping=tool_mapping)
第二种实现:AI Agent 智能体框架
AI Agent 智能体框架,比如:DSPy、LangChain、CrewAI、LlamaIndex 和Letta 已经出现,以促进使用大模型构建应用程序。这些框架通过插入预构建的模板简化了构建 Agentic RAG 系统的过程。
-
DSPy 支持 ReAct AI Agent 智能体和 Avatar 优化。Avatar 优化描述了使用自动化提示词工程来描述每个工具的过程。
-
LangChain 为使用工具提供了许多服务。LangChain 的 LCEL 和 LangGraph 框架进一步提供了内置工具。
-
LlamaIndex 进一步引入了 QueryEngineTool,这是一组用于检索工具的模板。
-
CrewAI 是开发多 AI Agent 智能体系统的领先框架之一。用于工具使用的一个关键概念是在 AI Agent 智能体之间共享工具。
-
Swarm 是 OpenAI 构建的一个用于多 AI Agent 智能体协调的框架。Swarm 同样关注如何在 AI Agent 智能体之间共享工具。
-
Letta 接口反映并完善内部世界模型作为函数。这包括潜在地使用搜索结果来更新聊天机器人用户的 AI Agent 智能体记忆,以及回答问题。
6、 企业为啥采用 Agentic RAG 架构设计?
企业正在从传统的 RAG 转向构建 Agentic RAG 应用程序。Replit发布了一个帮助开发者构建和调试软件的 AI Agent 智能体。此外,微软宣布了协同用户完成任务并提供建议的副驾驶系统。这些只是生产中 AI Agent 智能体的几个例子,可能性是无限的。
Agentic RAG 的优点
从传统 RAG 转向 Agentic RAG 使得这些系统能够产生更准确的响应,自主执行任务,并与人类更好地协作。
Agentic RAG 的主要优点在于提高了检索到的额外信息的质量。通过添加可以访问工具使用的 AI Agent 智能体,检索 AI Agent 智能体可以将查询路由到专业的知识源。此外, AI Agent 智能体的推理能力使得在进一步处理之前,可以对检索到的上下文进行一层验证。因此,Agentic RAG 流程可以导致更健壮和准确的响应。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
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
】

GitCode 天启AI是一款由 GitCode 团队打造的智能助手,基于先进的LLM(大语言模型)与多智能体 Agent 技术构建,致力于为用户提供高效、智能、多模态的创作与开发支持。它不仅支持自然语言对话,还具备处理文件、生成 PPT、撰写分析报告、开发 Web 应用等多项能力,真正做到“一句话,让 Al帮你完成复杂任务”。
更多推荐
所有评论(0)