Rag与ai agent

原创 已于 2025-08-19 23:55:29 修改 · 154 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

于 2025-08-13 08:05:51 首次发布

1.agent叫智能体  协同了mcp协议与大模型来更好的完成需求任务，Rag叫检索增强 把知识库分片向量化存储（在redis vector中）每次搜索 向量化搜索内容为向量  通过相似性算法中的粗排和重排召回符合预期的答案 

2简单来说就是工作中用大模型对应的应用体会存在你问几句他就忘记前文或者ai幻觉的情况。

因为你使用的是云端的大模型智能体，  他知识库同时涉及数不尽的领域 有很多人同时用 ， 导致他的redis向量存储匮乏  只能存最新的几条 。

在面对特定领域的长期难题  会显得力不从心 ，  因此对于每个行业甚至是每个公司而言都会想面向自己的知识库和业务体系构建一个按照自己逻辑处理，  且结合自己公司知识库能在会话中几乎存储无限历史记录 来作为参考解决问题的垂直智能系统。

3.概括来说ai幻觉就是 检索不到或者分不清 就瞎编

检索不到可以补充实时rag数据库 提供语义可选项 进行相似性比对   但是如果只有语料  只去比较相似度  有可能逻辑不合   比如说问的是“吃什么了”  相似性比对 只基于语义可能就会给返回“我吃了”  因此如果要解决 这方面的问题 就要引入 大模型微调来进行某一些业务的特定训练    给他梳理某一方面从相似语义中选择符合逻辑的回答的能力  从线性代数的角度来说，你关于少部分领域进行训练会导致 这少部分领域k个必要向量增长 那模型本身 其他与这k个向量夹角大于90°的会因为投影相反  为度下降  也就是不敏感 甚至会因为小于阈值 无法识别其他通用的

废话不多说由于我现在设备有点简陋  就开始从零搞一个简单的ai代理或者  智能体入个行

3.这个apikey如果是ollama好像不需要apikey

可以看到本地部署成功了：

4.用搭建好的前端终于能实现了一个最简单的本地agent 但是它的功能满足不了我们搭建的目的

及长期记忆 与垂直知识库保证他能长久思考困难问题所以接下来要做的事实现数据库 然后在搭建知识库 这里分两步走：

5.数据库：

这个advisor 就相当于拦截器或者springcloud gatway中的globalfliter在这里before阶段处理存储会话记忆 用memoryadvisor封装如下效果  此时没有存储驱动 可能效果一般：

下图显示注入chatclient的 和controller的记忆规则是20 要大于某些通用大模型应用但是20 条对话历史 ​​默认存储在 JVM 内存​​，通过 ConcurrentHashMap管理，依赖 conversationId隔离会话。重启应用会导致数据丢失，适合开发测试环境 也就是说java停止运行都会丢失记忆

因为我的springai版本大于1.0.0所以很多地方我要问智能体怎吗开发一个智能体  比如chatid区分会话的构建

springai版本大于1.0.0时候get的lastN在定义chatMemory时候已经写死了

α粒子
关注
第二十七个问题-AI Agent 与 RAG 的核心区别
释迦呼呼的博客
03-12 890
AI Agent（人工智能代理）与 RAG（检索增强生成）是当前生成式 AI 领域的两个关键技术，二者在功能定位、技术架构和应用场景上存在显著差异，但也可协同互补。二者在复杂系统中常协同工作：RAG 为 Agent 提供动态知识支持，Agent 为 RAG 扩展应用场景（如 Agentic RAG）710。：AI Agent 利用 RAG 动态获取外部知识（如医疗 Agent 检索最新论文）910。：RAG 生成的上下文为 Agent 提供决策依据（如推荐系统结合用户历史与实时检索）27。
RAG（Retrieval-Augmented Generation）与AI Agent的结合
关注博文底部公众号，发送标题关键字获取文档。
12-22 905
RAG（Retrieval-Augmented Generation）与AI Agent的结合，创造了一种新的架构和应用方式，这种结合被称为RAG+AI Agent。综上所述，RAG+AI Agent的结合为AI领域带来了新的可能性，特别是在处理复杂任务、实时决策和动态内容生成方面展现出了巨大的潜力。
构建Agentic RAG系统（一）Agentic RAG系统：RAG与AI Agent系统的结合
m0_56255097的博客
01-17 1050
RAG（Retrieval-Augmented Generation，检索增强生成）是一个框架，旨在通过将外部知识源集成到生成过程，来增强生成式 AI 模型的表现。
大模型 AI Agent 与 LLMs + RAG 的本质区别
qq_43588095的博客
04-02 1162
大模型（LLMs）的突破RAG（检索增强生成）的兴起AI Agent 的崛起（2024“代理年”）大模型（LLMs）RAGAI Agent目标导向行为状态跟踪与记忆管理环境交互与工具调用持续学习与泛化能力核心应用场景并行函数调用逻辑 多函数调用方法当前挑战未来方向
AI Agent 与 AI RAG 的对比，以及未来发展趋势
csdn_tom_168的博客
06-09 1154
需要特定领域（如电商推荐系统）的技术实现方案时，可提供详细需求获取定制化架构设计。Agent拆解子任务。
AI Agent与RAG结合流程理解（附代码）
qq_43588095的博客
04-02 1504
RAG 与 AI Agent 的结合实现了。
关于 RAG、AI Agent、多模态，我们的理解与探索
人工智能讲师分享前沿技术
08-01 1183
然而，在实际应用中，行动模块在调用人类编写的函数时可能遭遇异常情况。然而，值得注意的是，存在一种在开环系统中频繁调用 LLM 的方法，但根据个人实践观察，此法的性价比相对较低，原因在于反复调用 LLM 会导致成本及响应时间的上升，相比之下，直接采用闭环系统则更具效率优势。从评测角度看，传统的依赖人工标注的测试方式已无法满足需求，有必要开发专门的自动打分模型，或者运用高性能 LLM 作为评判者角色，通过 Agent 机制参与测试过程，专注于对 hallucination、groudness 等问题的评估。
大语言模型、RAG与AI Agent：构建智能对话的新篇章
心猿意码
08-02 1176
随着自然语言处理技术的飞速发展，大语言模型（LLM）已经成为人工智能领域的热门话题之一。LLM以其强大的文本生成能力和广泛的应用场景，正在改变我们与计算机交互的方式。然而，LLM也有其局限性，尤其是在处理时效性强的信息或执行复杂的任务时。为了克服这些局限性，研究人员提出了RAG（Retrieval-Augmented Generation）技术和AI Agent的概念，这两项技术正逐渐成为构建下一代智能对话系统的基石。
四张图搞懂 RAG、AI Agent、Agentic RAG！
m0_65555479的博客
06-05 910
RAG和AI Agent有什么区别？Agentic RAG又是什么鬼？能不能用一张图给我讲明白？今天我决定用四张图+三个段子，一次性终结这三个问题。一句话概括就是“"的学霸模式。比如你问“如何用Python做炒鸡蛋”，RAG会狂奔去图书馆（向量数据库）并抱回《Python烹饪指南》《蛋类料理大全》，把书摊开在GPT面前：“来，照着抄！” 优点是：避免胡编乱造，毕竟有参考答案；缺点也很明显，当遇到《如何用Python哄女朋友》这种问题，会把《Python编程艺术》和《恋爱心理学》混在一起抄...
大模型 | RAG聊天机器人 VS AI Agent：哪个更高效？
m0_56255097的博客
08-28 2035
在 RAG 聊天机器人和 AI Agent 之间进行选择并不需要非此即彼的方法。这些技术可以结合起来，以利用两者的优势：RAG 聊天机器人带来深度、情境感知的信息检索，而 AI Agent 提供动态、自主的决策。这种混合方法可以通过提供精确的信息处理和高效的任务执行来提高生产力和客户满意度。集成 RAG 和 AI 代理可让企业改善运营、服务质量并减少工作量。AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。
手把手教你构建Agentic RAG：一种基于多文档RAG应用的AI Agent智能体
2401_85782600的博客
09-07 2205
经典RAG应用的范式与架构已经非常流行，你甚至可以在很短的时间内借助成熟框架开发一个简单能用的RAG应用：用户问题被输入RAG、应用执行检索、从被向量化的文档中检索相关知识块、送入到LLM（大语言模型）进行合成响应：
人工智能中的RAG、Agent与Agentic RAG各有什么作用？
weixin_45607947的博客
09-27 1730
人工智能技术的迅猛发展正催生着各行业的变革与创新浪潮。在此背景下，检索增强生成（RAG）、人工智能代理（Agent），以及两者结合形成的新理念Agentic RAG成为了关注的热点。本文将详细探讨这三项技术的概念、原理、架构、应用场景、优势与挑战，以及未来的发展趋势。RAG是一种融合了检索与生成功能的人工智能模型。其核心理念是通过从大型知识库中检索信息，并在此基础上生成文本，从而实现更为精确和多样化的文本内容创建。
Math - 中心化，标准化和归一化
guoqx的专栏
12-30 510
摘要：归一化是将数据转换为统一尺度的处理方法，消除量纲差异，便于比较与分析。常见方法包括Min-Max缩放（线性映射到固定区间）和Z-score标准化（均值0，标准差1）。Min-Max适用于需要固定范围的情况，但对异常值敏感；Z-score适用于单位不同或存在离群值的场景。归一化在数据分析、信号处理和机器学习中广泛应用，需根据数据分布和算法需求选择合适方法，并注意保存参数以确保一致性。流程包括数据清洗、方法选择、拟合转换和效果评估。
人工智能基础篇：概念性名词浅谈（第十五讲）
m0_53104033的博客
12-31 467
本文介绍了两种改进的自编码器模型。正则自编码器通过在损失函数中添加正则化项，实现了对稀疏表示、噪声鲁棒性等特性的学习，突破了传统自编码器的容量限制。随机编码器则通过向编解码器注入噪声，形成生成模型架构，其训练目标是最小化输入与重构间的负对数似然。文章还特别介绍了针对矩阵数据的改进版本MRAE及其在异常检测中的应用。这些模型通过不同的正则化机制，有效提升了自编码器的特征学习能力。
2025年终总结
李梨同学的博客
12-31 521
以往，想把一个产品从想法变成现实，往往离不开一整条由“螺丝钉”拼出来的流水线：需求评审、产品对接、研发排期、测试上线，每一步都要仰赖他人的时间与资源。我试图推倒技术的高墙，用通俗有趣的语言，把晦涩的AI原理“翻译”给更多人听。这条路注定充满了不确定性。正是这风暴般的时代，打破了旧有的壁垒，赋予了像我这样曾经“不务正业”的个体前所未有的杠杆。这一年，我拒绝做一个默默敲代码的“独行侠”，决定走出去，构建自己的知识品牌。三年后再次站在时间的节点回望，这一年于我而言，是从“被浪推着走”到“学会造浪”的转折点。
GitHub 热榜项目 - 日榜(2026-1-1)
最新发布
CoderJia的学习之路
01-01 325
本期GitHub热榜显示AI应用开发正全面渗透各技术领域，前沿项目聚焦于解决实际工程问题。Gemini的电脑使用预览和Timescale的pg-aiguide展示了AI与开发工具深度整合，通过MCP服务器提升代码生成质量。Pathway框架和docetl系统凸显流式ETL与LLM管道技术成熟，推动实时数据分析与RAG应用落地。同时，来自ResembleAI的Chatterbox和TrendRadar分别代表语音合成与智能信息聚合的技术突破，Deep-Live-Cam则体现单图视频生成技术的平民化趋势。这些项
第N11周：seq2seq翻译实战-Pytorch复现
m0_46260522的博客
12-26 900
5.2 注意力解码器（AttnDecoderRNN）7.2 训练迭代主循环。
【AI学习-comfyUI学习-第二十五节-Shuffle洗牌模式布局+contronet其他应用结合-各个部分学习】
qq_22146161的博客
12-27 1312
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。不断学习摸索中。
2025年智能体架构与主流技术深度研究报告：从生成式AI迈向自主执行层
chengoodflower的博客
12-30 731
在2025年，智能体的记忆技术已经超越了简单的向量检索增强生成（Naive RAG），向着结构化、分层化和具有自我管理能力的**操作系统级记忆（OS-Level Memory）**演进。这简化了智能体的架构，使得开发者无需维护独立的推理服务即可实现高质量的检索。：在多智能体系统（Multi-Agent Systems）中，o3 被广泛用于担任“编排者（Orchestrator）”或“团队领导（Team Lead）”的角色，负责将模糊的用户需求转化为具体的子任务序列，并分配给其他更快速的模型去执行。
AnythingLLM全揭秘：私有RAG与AI Agent平台详解
AnythingLLM是由Mintplex Labs开发的一站式私有RAG（Retrieval-Augmented Generation，检索增强生成）与AI Agent平台，其核心目标是为开发者提供一个功能完备、高度可定制且对数据隐私友好的本地或云端大语言模型...
评论
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