Agentic RAG：超越传统RAG与案例分享

admin管理员组

文章数量:1036105

Agentic RAG：超越传统RAG与案例分享

在人工智能快速发展的今天，检索增强生成（Retrieval-Augmented Generation，简称 RAG）技术已经成为大语言模型（LLM）应用的关键突破。RAG 框架不断推陈出新、日新月异，从 Navie RAG、高级 RAG、模块化 RAG，发展到现在的 Graph based RAG，甚至混合高级 RAG 与 GraphRAG 的 HybridRAG。那么，如何在日新月异的 RAG 技术下，开发一种能够不断适应的框架呢？今天，我们将深入探讨 Agentic RAG，这一革命性的方法正在重新定义智能信息检索与生成的边界。

本文先讨论 Agentic RAG 常见范式，然后推荐一些流行的 Agentic RAG 开发示例：Nvidia 的 Agentic RAG 案例和基于 LlamaIndex 的 Agentic RAG 设计等。

1. Agentic RAG：智能决策的新范式

传统 RAG 系统的工作方式相对简单：接收用户查询 → 检索相关文档 → 基于文档生成答案。但在实际应用中，这种线性模式通常显得过于刻板和局限。现实世界的问题往往错综复杂，需要更加智能和灵活的方案。

Agentic RAG 引入了一个关键概念：让 Agent 在整个信息检索和生成过程中主动思考和决策。这不仅仅是一个技术术语，而是一种全新的智能工作范式。

1. 查询分析：智能重构

在 Agentic RAG 中，原始用户查询不再被直接照搬，而是经过精细的分析和重构：

• 查询重写：将模糊或复杂的查询转化为更加精确、可检索的形式
• 智能路由：判断是否需要额外的数据源来全面回答问题

想象一下，用户询问"最近的天气对公司销售有什么影响"。传统 RAG 可能会束手无策，而 Agentic RAG 会：

1. 识别需要整合销售数据和天气信息
2. 智能地从不同数据源检索相关信息
3. 综合分析并生成有洞察力的答案

2. 多源数据检索：打破信息孤岛

Agentic RAG 的一大优势在于其灵活的数据检索能力：

• 实时用户数据：根据用户当前上下文动态调整
• 内部文档：精准匹配组织内部知识
• 外部数据源：从互联网实时获取最新信息

举个例子，对于一个客户支持场景，系统可以：

• 查看用户历史工单
• 检索产品使用手册
• 获取最新的技术更新信息
• 综合生成最精准的解决方案

3. 动态答案生成与优化

Agentic RAG 不满足于仅仅给出一个答案，而是通过多轮迭代不断优化：

• 生成多个候选答案
• 评估每个答案的准确性和相关性
• 必要时重新查询或调整生成策略

4. 从失败中学习：自我修正机制

传统系统遇到无法回答的问题往往会直接告诉用户"无法解决"。而 Agentic RAG 则会：

• 识别信息鸿沟
• 主动寻找补充信息源
• 尝试重新生成更优答案

2. Agentic RAG 资源推荐

1. Nvidia Agentic RAG

Nvidia 展示的 Agentic RAG 只是一个示例，参考了如下 3 篇论文实现。

• 路由 (Adaptive-RAG[1]). 根据问题路由到不同的检索器
• 回退 (Corrective RAG[2]). 如果文档与查询不相关，则回退到网络搜索
• 自纠错 (Self-RAG[3]). 当答案具有幻觉或者未能回答问题时候，自动尝试修正答案。

它基本实现了如下图所示的框架，它使用打分机制评判答案是否包含幻觉，是否需要加入新的信息。具体地址可以参考：.ipynb，整个代码基于Langchain开发，使用流程编排完成，包含大量的Prompt设计。

这个项目还包含ChatUI，可以显示具体的运行流程，如下图所示。

2. LlamaIndex Agentic RAG

DeepLearning.ai 的课程Agentic RAG[4]，由 LlamaIndex 的创始人 Jerry Liu 讲授，描述了一种使用 LlamaIndex 如何构建 Agentic RAG 的流程。它将文档包含检索等流程包装成为一个 Tool，然后包装到 Agent 中，供路由选择调用。而在路由前，它会尝试分解或重写用户查询，然后交给 Router，大概设计流程如下。

agentic-rag-llama

比如你可能会问：“比较一下 adapt rag 和 self-rag，首先分析各个论文中的方法”，查询重写模块可能会将用户提问分解为：

• adapt rag 中的方法
• self rag 中的方法
• 对比 self rag 和 adapt rag

然后 Router 会分别调用 self rag 的 summary tool 和 adapt rag 的 summary tool，然后由 LLM 进行总结输出。

更为具体代码设计，可访问课程：。

结语

Agentic RAG 不仅仅是一种技术，更是一种思维方式。它代表了从被动检索到主动学习、从静态匹配到动态智能的巨大飞跃。

参考资料

[1]

Adaptive-RAG:.14403

[2]

Corrective RAG:.15884.pdf

[3]

Self-RAG:.11511

[4]

Agentic RAG:

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2024-12-01，如有侵权请联系 cloudcommunity@tencent 删除设计系统开发框架路由

Agentic RAG：超越传统RAG与案例分享

在人工智能快速发展的今天，检索增强生成（Retrieval-Augmented Generation，简称 RAG）技术已经成为大语言模型（LLM）应用的关键突破。RAG 框架不断推陈出新、日新月异，从 Navie RAG、高级 RAG、模块化 RAG，发展到现在的 Graph based RAG，甚至混合高级 RAG 与 GraphRAG 的 HybridRAG。那么，如何在日新月异的 RAG 技术下，开发一种能够不断适应的框架呢？今天，我们将深入探讨 Agentic RAG，这一革命性的方法正在重新定义智能信息检索与生成的边界。

本文先讨论 Agentic RAG 常见范式，然后推荐一些流行的 Agentic RAG 开发示例：Nvidia 的 Agentic RAG 案例和基于 LlamaIndex 的 Agentic RAG 设计等。

1. Agentic RAG：智能决策的新范式

传统 RAG 系统的工作方式相对简单：接收用户查询 → 检索相关文档 → 基于文档生成答案。但在实际应用中，这种线性模式通常显得过于刻板和局限。现实世界的问题往往错综复杂，需要更加智能和灵活的方案。

Agentic RAG 引入了一个关键概念：让 Agent 在整个信息检索和生成过程中主动思考和决策。这不仅仅是一个技术术语，而是一种全新的智能工作范式。

1. 查询分析：智能重构

在 Agentic RAG 中，原始用户查询不再被直接照搬，而是经过精细的分析和重构：

• 查询重写：将模糊或复杂的查询转化为更加精确、可检索的形式
• 智能路由：判断是否需要额外的数据源来全面回答问题

想象一下，用户询问"最近的天气对公司销售有什么影响"。传统 RAG 可能会束手无策，而 Agentic RAG 会：

1. 识别需要整合销售数据和天气信息
2. 智能地从不同数据源检索相关信息
3. 综合分析并生成有洞察力的答案

2. 多源数据检索：打破信息孤岛

Agentic RAG 的一大优势在于其灵活的数据检索能力：

• 实时用户数据：根据用户当前上下文动态调整
• 内部文档：精准匹配组织内部知识
• 外部数据源：从互联网实时获取最新信息

举个例子，对于一个客户支持场景，系统可以：

• 查看用户历史工单
• 检索产品使用手册
• 获取最新的技术更新信息
• 综合生成最精准的解决方案

3. 动态答案生成与优化

Agentic RAG 不满足于仅仅给出一个答案，而是通过多轮迭代不断优化：

• 生成多个候选答案
• 评估每个答案的准确性和相关性
• 必要时重新查询或调整生成策略

4. 从失败中学习：自我修正机制

传统系统遇到无法回答的问题往往会直接告诉用户"无法解决"。而 Agentic RAG 则会：

• 识别信息鸿沟
• 主动寻找补充信息源
• 尝试重新生成更优答案

2. Agentic RAG 资源推荐

1. Nvidia Agentic RAG

Nvidia 展示的 Agentic RAG 只是一个示例，参考了如下 3 篇论文实现。

• 路由 (Adaptive-RAG[1]). 根据问题路由到不同的检索器
• 回退 (Corrective RAG[2]). 如果文档与查询不相关，则回退到网络搜索
• 自纠错 (Self-RAG[3]). 当答案具有幻觉或者未能回答问题时候，自动尝试修正答案。

它基本实现了如下图所示的框架，它使用打分机制评判答案是否包含幻觉，是否需要加入新的信息。具体地址可以参考：.ipynb，整个代码基于Langchain开发，使用流程编排完成，包含大量的Prompt设计。

这个项目还包含ChatUI，可以显示具体的运行流程，如下图所示。

2. LlamaIndex Agentic RAG

DeepLearning.ai 的课程Agentic RAG[4]，由 LlamaIndex 的创始人 Jerry Liu 讲授，描述了一种使用 LlamaIndex 如何构建 Agentic RAG 的流程。它将文档包含检索等流程包装成为一个 Tool，然后包装到 Agent 中，供路由选择调用。而在路由前，它会尝试分解或重写用户查询，然后交给 Router，大概设计流程如下。

agentic-rag-llama

比如你可能会问：“比较一下 adapt rag 和 self-rag，首先分析各个论文中的方法”，查询重写模块可能会将用户提问分解为：

• adapt rag 中的方法
• self rag 中的方法
• 对比 self rag 和 adapt rag

然后 Router 会分别调用 self rag 的 summary tool 和 adapt rag 的 summary tool，然后由 LLM 进行总结输出。

更为具体代码设计，可访问课程：。

结语

Agentic RAG 不仅仅是一种技术，更是一种思维方式。它代表了从被动检索到主动学习、从静态匹配到动态智能的巨大飞跃。

参考资料

[1]

Adaptive-RAG:.14403

[2]

Corrective RAG:.15884.pdf

[3]

Self-RAG:.11511

[4]

Agentic RAG:

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2024-12-01，如有侵权请联系 cloudcommunity@tencent 删除设计系统开发框架路由

本文标签： Agentic RAG超越传统RAG与案例分享