大模型进阶必看:从小白到企业级,一文讲透Agentic RAG(建议收藏)

Agentic RAG系列:3、Agentic RAG流程和最佳实践-完整落地实践 基于Agent的RAG增强系统研究 本文提出了一种Agentic RAG(Agent-based Retrieval-Augmented Generation)框架,通过引入智能体组件来增强传统RAG系统的检索和生成能力。研究构建了一个包含知识库检索和实时网络搜索的多工具智能体系统,采用LangGraph图结构实现流程编排,包含模型调用、工具执行和条件路由等核心节点。实验结果表明,该系统能够智能决策何时调用各类检索工具,并通过消息传递机制实现组件间协作,有效解决了传统RAG在动态信息获取方面的局限性。该框架 阅读详情

导言

–

在人工智能飞速发展的今天,大语言模型(LLM)已经从“能说会道”逐步迈向“能思善行”。然而,传统的大模型在面对复杂任务时仍存在知识滞后、缺乏上下文记忆、无法自主调用工具等局限。为了解决这些问题,检索增强生成(RAG)应运而生,并不断演化——其中最具突破性的演进方向之一,便是 Agentic RAG(具身代理式检索增强生成)。本文将带你全面理解这一前沿技术。

什么是传统的 RAG?


RAG 全称是 Retriеval-Augmented Generation(检索增强生成),它是一种结合了信息检索与文本生成的技术架构。简单来说,就是让大模型在回答问题前,先去“查阅资料”,然后基于查到的内容进行回答。

工作流程:用户提问 → 向量检索 → 拼接提示 → 生成回答。这种模式有效缓解了大模型“胡说八道”(幻觉)的问题。

传统 RAG 的优势与局限


RAG 技术虽强,但仍存在明显瓶颈:

1

**✅ 优势:**减少幻觉、实时更新、成本低

2

**❌ 局限:**被动响应、无状态记忆、无法使用工具、单一检索策略

3

这些限制使得传统 RAG 难以胜任客户投诉处理、自动化报告生成等复杂业务场景。

如果说普通大模型像一个记忆力超强但可能记错细节的学生,那么 RAG 就像是这个学生考试时允许带一本参考书——他可以在答题前翻书确认,从而提高准确性。

Agentic RAG:让 AI 拥有“大脑”和“手脚”


五大核心能力

🔍 多轮迭代检索:不再一次性检索,而是根据中间结果反复查找新信息

💡 自主规划与分解任务:能把复杂问题拆解为子任务

🧠 上下文记忆:记住对话历史和已完成步骤

⚙️ 工具调用:主动调用外部工具辅助完成任务

🔄 反馈闭环:根据结果评估是否达成目标,必要时调整策略

形象比喻

传统 RAG 像是一个图书馆管理员,你问他问题他就去书架上找一页纸念给你听;

Agentic RAG 则像是一位研究员——他会自己设计研究方案、查阅多本书籍、做笔记、画图表,最后写出一篇完整的论文

关键技术支撑


分层记忆机制

短期记忆(当前会话)、长期记忆(历史经验)、技能记忆(工作流模板)

动态检索策略

递归检索、混合检索、过滤重排,实现层层深入的信息挖掘

此外还包括工具编排引擎(数据库/API/代码解释器)和规划反思机制(ReAct框架、自我优化),共同构成完整的技术体系。

企业级应用场景

智能客服升级

自动调取订单记录、查询售后政策、生成解决方案、提交工单

其他场景包括自动化报告生成(节省200+小时/月)、法律合规审查(效率提升3倍)、科研知识管理等,已在多个行业落地验证。

我们正在走向一个“AI员工”时代——它们不是简单的聊天机器人,而是真正能替人类完成复杂脑力劳动的数字助手。

结语

–

Agentic RAG标志着大模型应用正从“问答系统”向“行动系统”跃迁。正如专家指出:“Agentic RAG enhances retrieval-augmented generation with agent-like behavior, enabling autonomous decision-making, memory, and tool use for dynamic interactions.”

对于企业而言,拥抱Agentic RAG不仅是技术选择,更是一场组织效率的革命。现在,是时候让AI真正“上岗”了。

普通人如何抓住AI大模型的风口?

领取方式在文末

为什么要学习大模型?

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展,相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业:
在这里插入图片描述

人工智能大潮已来,不加入就可能被淘汰。如果你是技术人,尤其是互联网从业者,现在就开始学习AI大模型技术,真的是给你的人生一个重要建议!

最后

只要你真心想学习AI大模型技术,这份精心整理的学习资料我愿意无偿分享给你,但是想学技术去乱搞的人别来找我!

在当前这个人工智能高速发展的时代,AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长,真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料,能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来,我们不断打磨课程体系与技术内容,在细节上精益求精,同时在技术层面也新增了许多前沿且实用的内容,力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径,能够帮助你从零入门,进阶到实战,真正掌握AI时代的核心技能!

01 教学内容

图片

  • 从零到精通完整闭环:【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块,内容比传统教材更贴近企业实战!

  • 大量真实项目案例: 带你亲自上手搞数据清洗、模型调优这些硬核操作,把课本知识变成真本事‌!

02适学人群

应届毕业生‌: 无工作经验但想要系统学习AI大模型技术,期待通过实战项目掌握核心技术。

零基础转型‌: 非技术背景但关注AI应用场景,计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈: 传统开发者(Java/前端等)学习Transformer架构与LangChain框架,向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

本教程比较珍贵,仅限大家自行学习,不要传播!更严禁商用!

03 入门到进阶学习路线图

大模型学习路线图,整体分为5个大的阶段:
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程(涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向)

图片

新手必备的大模型学习PDF书单来了!全是硬核知识,帮你少走弯路(不吹牛,真有用)
图片

05 行业报告+白皮书合集

收集70+报告与白皮书,了解行业最新动态!
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结(谁学技术不是为了赚$呢,找个好的岗位很重要)图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

深入探讨Agentic RAG(A-RAG) 阅读详情

相关推荐

Agentic RAG:RAG从静态到具有理解、推理、决策的Agentic RAG

RAG技术演进:从静态检索到智能代理 RAG(检索增强生成)技术经历了五个关键发展阶段:基础RAG(关键词检索)、高级RAG(语义理解)、模块化RAG(灵活架构)、图RAG(知识图谱)和最新的Agentic RAG(智能代理)。Agentic RAG通过引入自主AI代理,具备反思、规划、工具使用和多代理协作能力,实现了动态决策和自适应工作流。相比传统RAG的静态检索流程,Agentic RAG能处理复杂多步推理任务,通过自我改进机制提高输出质量,并支持多专业代理协作,显著提升了RAG系统在复杂场景下的表现。

2551

什么是 Agentic RAG,一文读懂 Agentic RAG 数据检索范式

检索增强生成 (RAG)是一种构建 LLM 驱动应用程序的技术。它利用外部知识源为 LLM 提供相关背景并减少幻觉。一个简单的 RAG 管道由一个检索组件(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(LLM)组成。在推理时,用户查询用于对索引文档运行相似性搜索,以检索与查询最相似的文档并为 LLM 提供额外的上下文。

qkh1234567的博客 5401

建议收藏!2026最硬核:一文讲透智能体为何优先选择知识库+RAG企业级落地完全指南

摘要:企业级AI落地的RAG+智能体解决方案 本文探讨了企业部署AI时面临的核心挑战:大模型的"幻觉"、知识过时和私有数据缺失问题,并提出知识库+RAG(检索增强生成)的解决方案。RAG通过让AI先检索知识库再生成回答,确保回答基于事实且可溯源。相比直接回答或长上下文方案,RAG在准确性、成本和效率上更具优势。文章进一步介绍了Agentic RAG,通过ReAct框架实现多轮检索和动态决策,使AI能像研究型员工一样分步查证复杂问题。该方案为企业AI落地提供了可靠的技术路径,既能利用大模型

【javatoai17819112191】→Java && python && AI Agent工程师 914

Agentic RAG 详解 - 从头开始​​构建你自己的智能体系统

​虽然检索增强生成(RAG)在 2023 年占据主导地位,但代理工作流正在推动 2024 年的巨大进展。智能体的使用为构建更强大、稳健且多功能的 大型语言模型(LLM)应用程序开辟了新的可能性。其中一种可能性是在 RAG 流水线中引入智能体,形成代理式 RAG 流水线。 本文将介绍 Agentic RAG 的概念、其实现方式,以及其优势和局限性。

Elastic 中国社区官方博客 1万+

Agentic RAG 的 7 种企业级架构

你好,我是渔夫。今天,分享一篇长达 35 页的最新Agentic RAG 综述。论文想解决的核心问题是,当今天大型语言模型(LLMs)在处理动态、实时查询时依赖静态训练数据导致的过时、不准确输出、幻觉等问题。它从最基本原则和 RAG 范式的演变开始,介绍 Agentic RAG 的 7 种架构。还重点介绍在 5 种应用场景的效果,如医疗保健、金融和教育等行业中的关键应用,且非常详细。

渔夫.AI 1495

组态王|组态王通过选择日期实现历史数据的查询

②在弹出的【插入通用控件】对话框选择【Calender Control】控件,然后点击【确定】按钮,关闭对话框,然后在画面上适当的位置按住鼠标左键并拖动,绘制出一个矩形框,放开鼠标,就完成了控件的绘制。此函数将指定的时间格式(年,月,日,时,分,秒)转换为以秒为单位的长整型数,转换的时间基准是UTC(格林尼治)1970年1月1日00:00:00。实现内容,通过两个日历控件选择开始日期和结束日期,然后点击【历史数据查询】按钮,在报表中显示对应时间段的数据集。另外你用过哪些组态软件?

做有价值的事,积累有价值的笔记! 4572

万字长文 | Agentic RAG全面综述!

检索增强生成(RAG)概述检索增强生成(RAG)通过结合大语言模型(LLMs)的生成能力与实时数据检索,代表了人工智能领域的一项重大进展。虽然LLMs在自然语言处理方面表现出色,但对静态预训练数据的依赖往往导致响应过时或不完整。RAG通过动态检索相关外部信息并将其纳入生成过程,实现了上下文准确且最新的输出。RAG的核心组件RAG系统的架构整合了三个主要组件(图1):• 检索:负责查询外部数据源,如知识库、API或向量数据库。

weixin_72959097的博客 1862

使用CubeMX生成的项目在Keil下添加DSP库并包含arm_math头文件后报错的解决办法

问题描述: 最近使用Cube生成工程后,在Keil中使用Manage Runtime Environment即绿色小饼干按钮添加CMSIS的DSP库后编译报错。很有意思的是,STM32论坛上有外国朋友报告的同样的错误,都是30个Errors,5个Warning。 问题分析: 参考国内论坛某帖子(具体想不起来了),认为因该是Cube复制了库后,Keil从原始Packs目录下引用DSP库导致和Cub...

qq_32256951的博客 7003

普通RAG已不够看!Agentic RAG才是大模型落地的未来!一文讲透从原理到企业级架构。

RAG 全称是 Retriеval-Augmented Generation(检索增强生成),它是一种结合了信息检索与文本生成的技术架构。简单来说,就是让大模型在回答问题前,先去“查阅资料”,然后基于查到的内容进行回答。工作流程:用户提问 → 向量检索 → 拼接提示 → 生成回答。这种模式有效缓解了大模型“胡说八道”(幻觉)的问题。

m0_59235945的博客 651

软考软件评测师备考避坑指南:过来人告诉你这5个章节最容易丢分(附2024最新考纲解析)

本文为软考软件评测师考生提供备考避坑指南,深度解析5个高频失分章节,包括标准化与信息化基础、中间件技术、软件测试模型、白盒测试覆盖准则和性能测试指标。文章结合2024最新考纲,分享实战技巧和记忆口诀,帮助考生精准打击失分重灾区,提升备考效率。

weixin_29223603的博客 468

AES-128-CMAC:背景、汽车应用、CAPL 实现与开源工具验证

本文详解车载诊断中AES-128-CMAC算法的原理与应用,涵盖其在UDS安全访问、刷写鉴权、SecOC认证及密钥派生中的核心作用。结合真实汽车电子场景,提供纯CAPL实现代码与测试脚本,并通过pycryptodome进行逐字节验证,确保算法正确性。全程基于CANoe实测数据,可直接用于HIL环境复现,助力开发者高效落地汽车网络安全方案。

蚂蚁小兵 121

大模型RAG技术进阶:从Native RAG到Agentic RAG(建议收藏学习)

文章介绍从传统RAG发展到Agentic RAG的技术演进。传统RAG采用固定流程,而Agentic RAG通过让大模型扮演"决策-执行"控制器,实现自主决策、逐步收集证据并作答。文章详细讲解了基于提示词和工具的实现方法,以及基于强化学习的Agentic RAG(如Search-R1),强调Agentic RAG核心是让模型学会做事,而非使用更复杂模型。

libaiup的博客 1291

华为OD机试真题 新系统2026-04-01 Python&JS【计算数列位置N的值】

如果其前面的M个元素中,存在值相同的元素,则该位置上的数值等于前面M个数中最大的数值与最小的数值之如果其前面的M个元素中,不存在值相同的元素,则该位置上的数值等于前面M个数中最大的数值与最小的数值之差;1、输入M、N两个数,则按照以下规则形成一个数列;两个整数,用逗号分割,分别表示M和N。一个整数,表示数列第N个位置上的数值。2、数列的前M个元素的值为1到M;请计算该数列第N个位置上的数值。N取值范围:1<= N<=50。M取值范围:3<=M<=10。

MISAYAONE的博客 3261

收藏备用!一文搞懂RAG与Agentic RAG:大模型进阶必备知识

RAG(检索增强生成)是提升生成式AI模型性能的核心框架,核心逻辑是通过实时检索外部知识源,为AI补充“新鲜且精准”的信息,从而解决大模型“知识滞后、易 hallucinate(产生幻觉)”的问题,让生成内容更靠谱、更丰富。而AI Agent(智能体)则是具备自主感知、逻辑推理、执行动作与持续学习能力的软件系统,能独立应对复杂场景下的任务。当RAG与AI Agent相结合,就能打造出功能更全面、适配性更强的AI系统。

EnjoyEDU的博客 1075

海德汉机床采集数据

海德汉数控系统我一般在高端机床上见得比较多。有好多五轴加工精度比较高的机床都用的是海德汉的系统。市面上常见的有530和640等型号。海德汉的采集还是有点难度的,需要对SDK有深度的了解。

若云流风的专栏 1531

Python与CAD系列基础篇(十)图形复制、移动、删除

①通过pyautocad连接AutoCAD进行处理②通过ezdxf处理dxf格式文件。进行图形复制、移动、删除的方法。pyautocad方式。pyautocad方式。

weixin_43894929的博客 2210

收藏级指南|传统RAG与Agentic RAG深度解析,小白程序员入门大模型必看

传统RAG作为RAG技术的“基石版本”,凭借简洁高效、低成本落地的特性,在简单问答、固定知识库查询、低延迟需求等场景(如产品说明书问答、企业内部文档检索、小白Demo开发)中仍具有不可替代的价值,是初级程序员入门RAG技术的首选路径。Agentic RAG则代表了RAG技术的“进阶方向”,通过赋予系统“智能体思维”,突破了传统RAG的能力边界,更适合复杂决策、跨数据源整合、高准确性要求的高阶场景(如金融市场实时分析、科研文献综述、企业战略规划)。

大模型教程的博客 1254

红队内网攻防渗透:内网渗透之内网对抗:实战项目&VPC1打靶&PHP-RCE&三层代理路由&防火墙上线&密码喷射&域控提权

上面已经抓取到了密码,但是我们通过拓扑分析看,要想上线win10只能通过正向shell,因为win7的防火墙是开的,win10反向主动连接肯定入站规则拦截,而win10自己没有开防火墙,所以win7主动正向连接就可以上线。win7开启了防火墙,入站规则肯定是会拦截我们的请求的,所以我们需要反向上线,让win7主动来连接我们。这里扫描发现是存在ms17010漏洞的,但是想上线192.168.2.142的话,我们没有路由是上线不了的,这里有两种办法:一种msf直接生成后门,另一种cs移植后门到msf。

HACKONE的博客 910

程序员必看!Agentic RAG 总搞混?一文讲透它的前世今生

程序员必看!Agentic RAG 总搞混?一文讲透它的前世今生

m0_48891301的博客 888

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

RAG技术进化史:从小白到专家的必收藏学习路径

RAG技术发展综述:从检索辅助到可信智能体 本文系统梳理了RAG(检索增强生成)技术的发展历程,从早期开放域问答任务中的"检索-阅读"流水线(2017-2019),到2020年正式提出RAG概念并与大模型深度融合,再到2025年向系统化、可信化和智能体化方向演进。当前RAG面临检索可靠性、系统效率和生成可信度三大核心挑战,解决方案包括领域自适应训练、重排序模型、迭代检索等。未来将向GraphRAG、SafeRAG和Agentic RAG等方向发展,从单纯提升回答质量的工具,演变为构建高可

WANGJUNAIJIAO的博客 1165

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【收藏】Agentic AI六大设计模式全解析:从小白到大神的进阶指南

本文深入解析了Agentic AI的六大核心设计模式:ReAct Agent(推理与行动双螺旋)、CodeAct Agent(代码即行动语言)、Modern Tool Use(MCP工具协议)、Self-Reflection(自我评估改写)、Multi-Agent Workflow(多角色协作)和Agentic RAG(智能体增强检索)。文章详细阐述了各模式的机制、价值与应用场景,并强调围绕"决策—执行—反馈—治理"主线构建架构,使这些模式形成互补,助力企业级Agent项目成功落地。

2301_76168381的博客 1181

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

一文掌握RAG技术:从Naive RAG到Agentic RAG的完整演进(建议收藏)

保证100%免费。

python12345_的博客 1361

收藏备用!Agentic RAG 革新传统架构,大模型应用进阶必看

本文深度拆解传统RAG系统的核心局限,详解Agentic RAG的创新架构设计与实践价值。通过在架构各关键阶段嵌入AI Agent智能体,Agentic RAG实现了查询优化、动态检索、智能推理及策略自适应等核心能力,精准破解传统RAG单次检索、无推理能力、策略固化等痛点,凭借迭代式流程保障输出质量,支持按需定制开发,为企业级大模型应用落地提供了全新技术路径,是程序员进阶大模型开发的重要知识点。

ytt0523_com的博客 1104

收藏!小白程序员必看:从RAG到Agentic RAG,轻松入门大模型进阶玩法

本文介绍了RAG技术如何通过检索资料降低AI幻觉问题,并引出升级版本Agentic RAG。传统RAG通过“先查资料再回答”的模式提升AI可靠性,但存在只检索一次的局限。Agentic RAG则引入智能体(Agent)概念,能理解、拆解任务并多次检索,更接近真正的AI助手。文章对比了两者在动态决策、检索次数、任务拆解等方面的差异,指出Agentic RAG是RAG的进化形态,代表了AI从简单问答向复杂任务执行的转变趋势。

2401_85375186的博客 1391

RAG 进阶地图:Self-RAG、CRAG、GraphRAG、Agentic RAG 到底有何不同?

回到最初的问题:Self-RAG、CRAG、GraphRAG、Agentic RAG 到底有什么区别?一句话概括——它们不是竞争关系,而是分别补上了朴素 RAG 的一块短板:Self-RAG 管"要不要检索",CRAG 管"检索不好怎么兜底",GraphRAG 管"局部检索搞不定的全局理解",Agentic RAG 管"复杂问题的一次检索不够用"。理解了每个范式背后的痛点,就不会再被这些名词绕晕了。

一个coder的博客 4716

【必收藏】从RAG到Agentic RAG:大模型企业落地的终极解决方案

本文探讨传统RAG技术在企业应用中的局限性,提出Agentic RAG解决方案,通过融合RAG检索、Agent规划、工具执行和记忆能力,使大模型从"回答问题"升级为"完成任务"。文章详细对比了两种架构差异,并提供了企业实施Agentic RAG的具体步骤,指出这是大模型工程化的必然路线。

datian1234的博客 658
上一篇: 收藏这篇就够了!RAG评估体系完整指南,助你打造高性能问答系统
下一篇: 【必藏】从传统RAG到Agentic RAG:一文读懂大模型检索增强生成的演进之路
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1479原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值