LLM Agent应用场景：Agentic RAG

最新推荐文章于 2025-02-10 14:48:44 发布
原创 最新推荐文章于 2025-02-10 14:48:44 发布 · 1.1k 阅读 · 16 ·
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 #chatgpt #ai #语言模型

在信息时代，我们每天都在与海量数据打交道，如何从这些数据中高效、准确地提取信息成为了一个关键挑战。RAG(Retrieval Augmented Generation)框架作为一种结合检索和生成能力的技术，为这一难题提供了一种解决方案。然而，传统的RAG框架在面对复杂查询和多样化任务时，仍然存在诸多局限性。Agentic RAG的出现，则为这些问题提供了更加智能化的解决方案。

Agentic RAG是检索增强生成(Retrieval-Augmented Generation, RAG)技术的一种高级形式，它通过引入LLM Agent的概念，为语言模型赋予了更高层次的智能性和自主性。关于LLM Agent，可以参考上一篇文章 LLM Agent：智能应用开发的新篇章

图片

传统RAG框架的局限性

最低0.47元/天 解锁文章
Agent : 一文读懂LLM Agent架构，详解Profile，Memory，Planning，Action模块作用
强化学习曾小健
11-05 9893
对于对Agent感兴趣的朋友们，我推荐一篇论文，它全面地介绍了Agent的架构，对于理解Agent的全局有着重要的价值。架构就像PC的硬件，但仅依赖架构设计是不够的，我们还需要赋予Agent完成不同任务的能力，这些被视为“软件”资源。除了这些基础知识，我认为最有价值的部分在于，它总结了基于大型语言模型（LLM）的Agent的架构，使我们能够按照一定的标准范式去设计自己的Agent。反馈的来源可能来自任务执行结果的客观反馈，也可能是根据人的主观判断给出的反馈，甚至还可以是由辅助模型提供的反馈。
超越简单检索：Agentic RAG 的设计逻辑与代码实现
最新发布
kakaZhui的博客
04-14 240
检索增强生成 (Retrieval-Augmented Generation, RAG) 已经彻底改变了我们构建应用程序的方式，这些应用程序利用大型语言模型 (LLM) 处理外部知识。通过将 LLM 的响应基于检索到的事实文档，RAG 显著减少了幻觉，并提高了生成内容的相关性和准确性。然而，标准的 RAG 工作流——检索相关块，将它们塞进提示，然后生成答案——在面对复杂、多方面查询或需要多个检索步骤的任务时，往往显得力不从心。
什么是LLM Agent?
alauda_andy的博客
03-28 5034
LLM Agent 已经成为大语言模型中最有价值的探索方向，也更趋于最前沿的通用人工智能。构建企业自己的 LLM Agent 有助于企业在最前沿的人工智能领域探索具有完全自主性的智能化能力，包括基于企业知识库、企业工具 API（如：会议、审核、报表等）实现完全智能化的操作能力的探索。
AI Agent（或者LLM Agent）深度讲解
顺其自然~专栏
03-08 1万+
AI Agent是一种超越简单文本生成的人工智能系统。它使用大型语言模型（LLM）作为其核心计算引擎，使其能够进行对话、执行任务、推理并展现一定程度的自主性。简而言之，Agent是一个具有复杂推理能力、记忆和执行任务手段的系统。
基于大模型（LLM）的Agent 应用开发
我相信......
10-15 6684
目前，业界一般认为基于大模型的应用集中在两个方向上：RAG 和 Agent，无论哪一种应用，设计、实现和优化能够充分利用大模型(LLM)潜力的应用都需要大量的努力和专业知识。随着开发人员开始创建日益复杂的LLM应用程序，开发流程不可避免地变得更加复杂。这种流程的潜在设计空间可能是巨大而复杂的，《如何构建基于大模型的App》一文给出了一种探索中的大模型应用开发基础框架，基本可以适用于RAG 和Age...
LLM Agent是什么？如何构建通用LLM Agent？
Code1994的博客
01-03 1403
LLM和智能体之间的主要区别在于系统提示。在LLM的背景下，系统提示是在模型处理用户查询之前提供给它的一组指令和上下文信息。大语言模型的智能体行为可以在系统提示中进行编码。工具使用：智能体决定何时将查询路由到适当的工具或依赖自身知识。反思：智能体在回答用户之前审查并纠正自己的答案。大多数大语言模型系统也可以添加反思步骤。推理 - 行动（ReAct）：智能体迭代地推理如何解决查询，执行一个动作，观察结果，并决定是否采取另一个动作或提供响应。计划 - 执行。
人工智能中的RAG、Agent与Agentic RAG各有什么作用？
weixin_45607947的博客
09-27 1463
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。
《向量数据库指南》揭秘：Agentic RAG如何重塑RAG系统未来？
实战AI智能体
10-18 182
比如，在医疗保健领域，我们可以利用Agentic RAG系统来快速检索和分析医学文献和病例数据，为医生提供更加准确和个性化的诊疗建议。RAG系统需要能够根据当前的任务和需求，选择合适的检索策略和算法，从海量的数据中快速找到最有用的信息。Mlivus Cloud支持高效的向量索引和查询操作，能够帮助RAG系统快速定位到与查询向量最相似的数据点，从而大幅提升信息检索的效率和准确性。这样一来，RAG系统就能够根据当前的任务和环境，主动检索、分析和处理信息，从而生成更加准确和有用的回答或文本。
Multi-Agentic RAG：探索智能问答系统的新边界（含代码）
llm_way的博客
01-07 1331
​ Multi-Agentic RAG系统是一种强大的智能问答框架，它通过结合多代理系统和检索增强生成技术，为处理复杂问题提供了新的解决方案。
AI Agent框架（LLM Agent）：LLM驱动的智能体如何引领行业变革，应用探索与未来展望
丨汀、的博客
07-05 3212
AI Agent框架（LLM Agent）：LLM驱动的智能体如何引领行业变革，应用探索与未来展望
大模型LLM | 一文彻底搞懂大模型Agent（智能体）：Agent、Agent + RAG
热门推荐
m0_56255097的博客
10-16 4万+
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。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
AI Agent（LLM Agent）入门解读
l8947943的博客
03-27 3009
AI Agent可以理解为一个智能体，包括感知模块、规划决策模块和行动模块，类似于人类的五官、大脑和肢体。它能帮助人类处理复杂的任务，并能根据环境反馈进行学习和调整。五官可以理解为感知模块，大脑为规划决策模块，肢体是行动模块。如图：**举个例子：**用手摸了一下电线，感知模块被电麻了，此时大脑决策规划模块发出信号，把手拿走快逃。接着行动模块控制手从电线上拿开（当然也可能拿不开），这就是资料里常见的模型。将这个过程抽象出来，如图：可以看到，最关键的部分就是大脑部分，即规划决策模块。
LLM下半场之Agent基础能力概述：Profile、Memory、Plan、Action、Eval学习笔记
Garvin的专栏
10-05 3545
另一种是Muti-Path，这个方案更符合人类的思维方式，因为要解决问题，很难完全设定好端到端的流程，需要给出几种候选的模式，另外需要考虑环境反馈，可以每走一步再次推理和选择最优模式，这里可以参考最近非常火的ReAct的模式，另外LLM也可以代替人类去做多种方案的选择，我们可以把需要考虑的边界给到LLM，由LLM去思考每一步如何选择。在这一步需要建设的能力是与外部的服务关联，比如我们的Agent是解决帮用户买飞机票的问题，那么在执行阶段就需要与飞机票务系统的订票接口关联，也需要与用户的信用卡付款接口关联。
LLM Agent 概述
2301_76168381的博客
02-10 937
LLM Agent 是高级 AI 系统，旨在创建需要顺序推理的复杂文本。他们可以提前思考，记住过去的对话，并使用不同的工具根据所需的情况和风格调整他们的回答。现在，考虑一个详细的场景：根据新的数据隐私法，公司面临的常见法律挑战是什么，法院如何解决这些问题？这个问题比仅仅查找事实更深入。这是关于了解新规则，它们如何影响不同的公司，并了解法院对这一切的看法。一个简单的 RAG 系统可以提取相关的法律和案例，但它缺乏将这些法律与实际业务情况联系起来或深入分析法院判决的能力。
LLM Agent 全网最全简介
2401_82469710的博客
05-08 3043
LLM Agent 全网最全简介
LLM常见问题（Agent 部分）
强化学习曾小健
02-14 1446
LLM Agent 是一种人工智能系统，它利用大型语言模型 (LLM) 作为其核心计算引擎，展示文本生成之外的功能，包括进行对话、完成任务、推理，并可以展示一定程度的自主行为。LLM Agent 根据设计阶段授予的功能，Agent 从纯粹的被动到高度主动的自主行为。同时利用大模型的推理能力，让 Agent 可以在人工监督下管理相对独立的工作流程：分析目标，项目规划，执行，回顾过去的工作，迭代细化。
探索前沿AI技术：什么是LLM框架?什么是Agent应用?什么是Workflow架构?
猫头虎技术团队：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作+：Libin9iOak ，万粉变现+：优快云WF，猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务！全网搜：猫头虎技术团队，点击文章底部名片或直接私信我一切皆可谈，快找虎哥！
04-11 1万+
🐯探索前沿AI技术：什么是LLM框架?什么是Agent应用?什么是Workflow架构?🚀摘要引言正文📘 LLM框架：定义与重要性 🌟🧐 什么是LLM框架?📜 详细的知识点讲解和分析详细的代码案例详细的操作命令🤖 Agent应用：智能与自动化 🌐🤔 什么是Agent应用?📚 知识点讲解代码案例🌐 Workflow架构：效率与协同 📈🤔 什么是Workflow架构?📘 知识点讲解代码案例QA环节小结参考资料表格总结：核心知识点总结与未来展望温馨提示LLM框架Agent应用和Workflow架构。
什么是LLM Agent它如何运作？
zg_hover的专栏
03-25 1147
本文介绍了什么是LLM 的Agent
agentic rag
01-15
Agentic RAG 是一种先进的信息检索和生成框架，它结合了代理（Agent）、检索增强生成（Retrieval-Augmented Generation, RAG）以及大型语言模型（LLM）的能力。这种架构旨在更有效地处理复杂的查询请求，并提供更加准确的答案。 核心特点包括： - 动态编排机制：利用AI代理的灵活性来适应不同类型的用户需求，调整检索与生成策略以解决复杂的问题。 - 查询优化：当初始检索结果不理想时，系统会尝试改进查询条件或者采用其他手段提高结果质量。 - 工具调用：可以集成外部工具和服务，例如特定领域的API或数据库访问权限，从而扩展系统的功能范围。 - 多步推理能力：支持需要连续逻辑步骤才能完成的任务解答过程。 - 应用于各个领域：可以根据具体的应用场景创建专业的文档代理（Doc Agent），如财务、法律等领域，帮助收集相关信息并形成综合性的报告文本。 为了使 Agentic RAG 更加实用，在实际应用中通常还会涉及到以下几个方面的工作： 1. 定义明确的目标群体及其常见问题类型； 2. 设计合理的数据源接入方案确保获取高质量的信息资源； 3. 开发高效的算法实现快速而精确的结果匹配； 4. 测试和完善整个流程保证稳定可靠的用户体验。 通过这种方式，Agentic RAG 能够显著提升自动化问答服务的质量，特别是在面对那些涉及广泛背景知识和技术细节的情况下表现尤为突出。
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

打赏作者

大模型之路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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