𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗥𝗔𝗚以及作为一名 AI 工程师您需要了解的内容。 简单的 RAG 系统在实际应用中很少使用。我们通常会在 RAG 系统中添加一些代理——理想情况下是少量的。 有关于如何扩展 RAG 系统以解决您的特定业务用例的𝗻𝗼 𝘀𝗶𝗻𝗴𝗹𝗲 𝗯𝗹𝘂𝗲𝗽𝗿𝗶𝗻𝘁 ，您需要进行调整。 为此，您需要了解 Agentic RAG 中潜在的移动部件，让我们来探讨其中的一些： 𝟭 . 用户查询分析：我们将原始用户查询传递给基于 LLM 的代理进行分析。具体步骤如下： ➡️原始查询可以重写，有时可以重写多次，以创建要传递到管道的单个或多个查询。 ➡️代理决定是否需要额外的数据源来回答查询。 𝟮 。如果需要额外数据，则触发检索步骤。在 Agentic RAG 案例中，我们可以安排一个或多个代理负责确定应该利用哪些数据源，以下是一些示例： ➡️实时用户数据。这是一个很酷的概念，因为我们可能掌握一些实时信息，比如用户的当前位置。 ➡️用户可能感兴趣的内部文档。 ➡️数据可在网上获取。 ➡️ … 𝟯 。与常规嵌入器相比，检索到的数据由更强大的模型进行整合和重新排序。数据点的范围显著缩小down. 𝟰 。如果不需要额外的数据，我们会尝试直接通过 LLM 来编写答案（或多个答案或一组操作）。 𝟱对答案进行分析、总结和评估，以确保其正确性和相关性： ➡️如果代理认为答案足够好，就会将其返回给用户。 ➡️如果代理认为答案需要改进，我们会尝试重写用户查询并重复生成循环（循环运行的次数应限制在一定范围内）。 𝗠𝘆 𝗛𝗼𝗻𝗲𝘀𝘁 𝗧𝗵𝗼𝘂𝗴𝗵𝘁𝘀 ： ✅尽可能简化，在大多数情况下，您不需要大部分管道。 ✅重点关注数据的正确预处理和重排序步骤。这对于 90% 以上的用例来说已经足够了。 ❗️ Agentic Systems 在实际企业中的作用远超 RAG。当你超越问答机，转向能够在恰当地路由初始人类意图后自动执行操作的系统时，情况会变得更加有趣。更多相关内容请见后续文章，敬请期待！ 你对 Agentic RAG 有什么看法？欢迎在评论区留言！ 👇 LLM AI RAG编程严选网
