收藏级干货：四张图彻底搞懂RAG、AI Agent与Agentic RAG，大模型入门必看！

简介

文章介绍了RAG、AI Agent和Agentic RAG的概念及其关系。RAG利用外部知识源减少LLM幻觉，AI Agent是具有角色和任务的LLM，通过内存、规划和工具完成复杂任务。Agentic RAG将AI Agent整合到RAG流程中，形成单Agent路由或多Agent协作架构，克服传统RAG的局限性。文章还提供了大模型学习路线，帮助读者系统掌握这些技术。

---

四张图搞懂 RAG、AI Agent、Agentic RAG！

RAG + Agents=Agentic RAG

Agentic RAG 描述了一种基于 AI Agents 的 RAG 实现。具体来说，它将 AI Agents 整合到 RAG 流程中，协调其组件并执行除简单信息检索和生成之外的其他操作，以克服传统 RAG 的局限性。

一个形象的比喻：RAG 就像在图书馆（智能手机出现之前）回答特定问题，而 Agentic RAG 就像手中拿着一部智能手机，上面有网络浏览器、计算器、电子邮件等。

RAG（检索、增强、生成）

Al Agent

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)

Single Agent RAG

一个 Agent 完成推理、检索和生成

Agentic RAG 作为 Tools 路由

Multi Agent RAG

一个总 Agent

多个专门的检索 Agents

再见RAG，你好 Agentic RAG!

什么是检索增强型生成(RAG)

检索增强型生成(RAG)是一种构建LLM驱动应用的技术。它利用外部知识源为LLM提供相关上下文，减少幻觉现象。

一个简单的RAG流程包括一个检索组件(通常由一个嵌入模型和一个向量数据库组成)和一个生成组件(一个LLM)。

在推理时，用户查询用于在索引文档上运行相似性搜索，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应用有两个相当大的局限性：

AI系统中的智能体是什么

随着LLM的流行，AI智能体和多智能体系统的新范式已经出现。AI智能体是具有角色和任务的LLM，它们可以访问内存和外部工具。LLM的推理能力帮助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智能体的核心组件包括

LLM(具有角色和任务)

内存(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)

什么是Agentic RAG?

Agentic RAG描述了基于AI智能体实现的RAG,具体来说，它将AI智能体纳入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行动，以克服非智能体流程的局限性。

Agentic RAG描述了基于AI智能体实现的RAG。

Agentic RAG如何工作?

尽管智能体可以被纳入RAG流程的不同阶段，智能体RAG最常用于检索组件中的智能体。

具体来说，检索组件通过使用具有访问不同检索工具的检索智能体而变得智能体化，例如:

··向量搜索引擎(也称为查询引擎)，它在向量索引上执行向量搜索(像典型的RAG流程中一样)

··网络搜索

Agentic RAG架构

与顺序的简单RAG架构相比，智能体RAG架构的核心是智能体。智能体RAG架构可以有不同程度的复杂性。

在最简单的形式中，单智能体RAG架构是一个简单的路由器。然而，你也可以将多个智能体添加到多智能体RAG架构中。

本节讨论了两个基本的RAG架构。

单智能体RAG(路由器)

在其最简单的形式中，智能体RAG是一个路由器。这意味着你至少有两个外部知识源，智能体决定从哪一个检索额外的上下文。然而，外部知识源不必局限于(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的信息。

多智能体RAG系统

正如你可以猜到的，单智能体系统也有其局限性，因为它仅限于一个智能体进行推理、检索和答案生成。因此，将多个智能体链入多智能体RAG应用是有益的。

例如，你可以有一个主智能体，它协调多个专业检索智能体之间的信息检索。例如，一个智能体可以从专有的内部数据源检索信息。

另一个智能体可以专门从你的个人账户(如电子邮件或聊天)检索信息。另一个智能体也可以专门从网络搜索中检索公共信息。

DSPy支持ReAct智能体和Avatar优化。Avatar优化描述了使用自动化提示工程来描述每个工具的使用。

LangChain为使用工具提供许多服务LangChain的LCEL和LangGraph框架进一步提供了内置工具。

Llamalndex进一步引入了QueryEngineTool,这是一个用于检索工具的模板集合。CrewAI是开发多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智能体之间共享工具。

Swarm是由OpenAl构建的多智能体协调框架Swarm同样专注于智能体之间如何共享工具: Letta将反映和提炼内部世界模型作为函数。

这意味着可能使用搜索结果来更新聊天机器人用户的智能体内存，除了回答问题。

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓