三图解析RAG两大技术路线传统RAG与智能体RAG的核心差异
你是否还不清楚传统RAG和智能体RAG两大技术路线的核心差异？
简单来说，传统RAG就像一次性问答，而智能体RAG更像是会反复思考的对话。下面用三张图带你看懂这个技术升级。
在传统RAG的检索过程中，用户提出的问题会被转换为向量，根据向量相似度，从数据库中查询最相关的文本片段，生成模型会结合检索到的上下文和原始查询生成答案。【图1】
但这样做有三个明显短板：
1. 单次检索单次生成：如果第一次找的资料不够，系统不会自己补充
2. 缺乏复杂推理能力：遇到需要多步推理的问题就容易卡壳
3. 处理方式固定：不管什么问题都用同一种方法解决
而智能体RAG就通过引入智能体，来解决这三个短板：【图2】
1. 步骤1-2：先帮你优化问题，比如自动改正错别字
2. 步骤3-8：判断是否需要补充上下文。若不需要，将优化后的查询直接发送给大模型；若需要，智能体将会自己去找合适的参考资料
3. 步骤9-12：获得初始响应后，智能体验证答案相关性：若相关，返回最终答案；若不相关，返回步骤1重新执行
这个“思考-验证-调整”的过程会循环几次，直到给出满意答案或确认真的回答不了。
这就相当于给系统装了个“质检员”，RAG的鲁棒性得到了提升，每个环节都朝着给出好答案的目标努力。
