大模型增强检索优化之——用智能体去重构你的RAG系统

最新推荐文章于 2025-11-27 14:26:48 发布
原创 最新推荐文章于 2025-11-27 14:26:48 发布 · 814 阅读 · 21 ·
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 #RAG #embedding #langchain #LLM #重构

“ 不论是RAG，还是智能体都仅仅只是一门技术；而不同的业务场景需要选择合适的技术实现。”

最近这段时间一直在做一个RAG检索增强的系统，但由于前期对需求了解不足，导致目前系统开发遇到一些问题，那就是目前使用纯粹的RAG技术很难解决业务需求问题。

目前的需求是在一个大的业务场景下有三个子场景，但这个三个场景的入口只有一个对话框，因此需要根据用户的意图来进行识别，然后判断属于哪个子场景。

因此，基于这种需求，之前的纯RAG技术就很难满足了；原因就在于传统的RAG技术都是固定流程，没有自主判断的能力。所以，为了解决这个问题，只能换一种方式，那就是智能体。

使用智能体重构RAG系统

我们都知道大模型的应用本质上就是一门关于提示词的技术，任何与大模型的交互都是基于提示词来完成的。

而RAG技术又是什么呢？

可能网上很多文章和教程都在告诉你，RAG叫做Retrieval-Augmented Generation——检索增强生成；其实简单来说RAG就是一种提示词增强的技术；因为大模型本身的限制问题，导致大模型缺少部分资料，因此在咨询大模型具体的问题之前，需要先找到问题相关的文档，然后告诉大模型，大模型才能回答我们的问题；而这个找文档的过程就叫做RAG。

图片

因此，所谓的RAG检索增强生成，主要由两个模块组成；检索和生成，而检索的目的是为了增强生成的质量。

所以，RAG的本质是为了找到与问题相关的文档；但传统的RAG技术是固定化的流程，先对文档进行处理，然后根据用户问题对文档进行相似度或准确查找。

这种方式在某些场景下是没问题的，但在某些场景下就有问题了；因为其固定的流程，就没办法根据不同的需求和场景来进行自主判断；比如作者上面所说的场景。

因此，遇到这种问题应该怎么解决？

所以这时智能体的作用就体现出来了；那么什么是智能体？

智能体是一个能够与外部环境进行交互，并且能够做出自我决策，并且根据决策结果进行行动的独立个体。

图片

所以，智能体的特点就是自主决策，有自我“意识”；因此，它可以自己分析用户的意图，然后决定执行什么样的步骤。

所以，相较于传统的RAG技术，基于智能体的RAG技术有更强的自主性，更强的灵活性，以及更强的扩展性。

当然，并不是说使用智能体做的RAG就一定比传统的RAG技术更好；而是说传统的RAG技术和使用智能体实现的RAG技术，各自有各自的应用场景；两者并不是互相排斥，而是可以进行互补。

比如说本地数据可以使用RAG做检索增强，而第三方数据可以使用智能体做检索增强；原因在于智能体灵活性更强，更适合与第三方交互；而传统RAG技术更简单，成本更低，适合固定流程的业务场景。

我们该怎样系统的去转行学习大模型 ？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来： 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、大模型系列视频教程（免费分享）

在这里插入图片描述

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

​

Llama-Turbo
关注
大模型——Dify 2.0 知识管道，赋予RAG前所未有的可控性
09-25 1006
Dify 2.0 Beta版推出知识管道（Knowledge Pipeline）功能，为企业RAG（检索增强生成）提供可视化数据处理解决方案。该功能通过可拖拽节点实现数据源接入、文档解析、转换和加载的全流程管理，解决企业数据处理中的碎片化、解析丢失和处理黑箱化三大痛点。支持多种数据源连接、精细化ETL控制、7种场景模板及开放插件生态，使企业能灵活定制高效的数据处理流程。知识管道提升了RAG的可控性和透明度，降低企业技术门槛和维护成本。
深度学习-70-大语言模型LLM之基于大模型LLM与检索增强技术RAG的智能知识库
qq_20466211的博客
06-10 1438
大模型在回答问题或生成内容前，首先在外部数据库中进行检索RAG，将相似度高的内容返回给大模型LLM，再进一步整理生成。
RAG系统重构的关键：智能体在大模型增强检索优化中的应用！
2401_85375151的博客
08-13 764
文章摘要：作者在开发RAG检索增强系统时遇到业务场景复杂性问题，发现传统固定流程的RAG技术难以满足多子场景需求，提出采用智能体技术重构方案。文中对比了传统RAG与智能体RAG的差异，指出智能体具备自主决策能力，能更好地处理多场景意图识别。同时强调两种技术并非互斥，可互补应用于不同场景。文末提供了AI大模型学习的7个阶段课程体系及资源获取方式，涵盖从系统设计到行业应用的全栈技能。（150字）
大模型增强检索优化新策略：用智能体重构RAG系统，提升检索效率与准确性！
2401_84494441的博客
09-22 911
摘要：文章探讨了传统RAG技术在复杂业务场景中的局限性，提出采用智能体技术重构RAG系统。作者指出，当单一对话框需要处理多子场景时，传统固定流程的RAG技术无法实现意图识别和自主决策，而智能体技术因其自主性和灵活性更适合此类需求。文章强调两种技术应互补使用：传统RAG适合固定流程场景，智能体适合需要动态交互的场景。文末还介绍了包含104G学习资源的大模型学习礼包，涵盖从入门到进阶的全套教程，由业内专家共同整理，适合不同基础的学习者提升AI技能。
一文带你了解大模型——智能体（Agent）
大模型研究中心
07-16 1749
通过 API 调用 LLM 时，调用方可以描述函数，包括函数的功能描述、请求参数说明、响应参数说明，让 LLM 根据用户的输入，合适地选择调用哪个函数，同时理解用户的自然语言，并转换为调用函数的请求参数（通过 JSON 格式返回）。当发现已有的知识不足以回答这个问题，则会调用工具，比如：搜索工具、生成报告等，然后得到新的信息，基于新的信息重复进行推理和行动，直到完成这个任务。从软件工程的角度看来，智能体是一种基于大语言模型的，具备规划思考能力、记忆能力、使用工具函数的能力，能自主完成给定任务的计算机程序。
什么是Agent？一文带你了解大模型——智能体（Agent）
2401_85390073的博客
04-27 997
下图的左侧是多智能体的协作流程，右侧是单智能体的工作流程。通过 API 调用 LLM 时，调用方可以描述函数，包括函数的功能描述、请求参数说明、响应参数说明，让 LLM 根据用户的输入，合适地选择调用哪个函数，同时理解用户的自然语言，并转换为调用函数的请求参数（通过 JSON 格式返回）。该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
【粉丝福利社】大模型RAG应用开发：构建智能生成系统
热门推荐
时光隧道
04-25 3万+
在数字化和信息爆炸的时代，自然语言处理（Natural Language Processing，NLP）技术已成为推动创新和提升效率的关键驱动力。尤其是在需要精准、实时地进行信息交互的应用中，如问答系统、客户支持和专业文档管理等，如何让生成模型实现高效且精准的信息生成与检索成为核心需求。
从崩溃到重构：AI智能体进阶五级法则——一线工程师血泪实战指南
打造全国最全的AI Agent开发知识领域的博客
08-18 1117
智能体演示前两周系统全面崩溃？代码重构揭示"伪智能"陷阱！本文通过真实项目案例，深度拆解AI智能体五大进阶等级，涵盖工具调用、记忆管理、推理决策、多体协作到系统化部署的完整技术栈，提供可复用代码框架与落地避坑指南。奥特曼AGI五级体系映射到工程实践，揭示智能体从玩具到生产力工具的蜕变路径。
【AI大模型】检索增强生成（RAG）深度教程，收藏这一篇就够了！！
2401_85325557的博客
04-22 1202
检索增强生成（Retrieval-Augmented Generation，简称 RAG）指在大型语言模型（LLM）的生成过程中，引入外部知识检索，以提高回答的准确性和可靠性。通过让LLM在生成回答时参考外部知识库的信息，RAG技术可以有效减少模型产生事实性错误（即所谓的“幻觉”）并提升答案的事实正确性。典型的RAG系统包含四个基本组件：嵌入模型、向量数据库、提示模板以及生成式LLM。在查询时，系统会先将用户查询通过嵌入模型编码成向量表示，然后在向量数据库中检索出与查询最相关的文档片段，将这些片段填充到预先
RAG：大模型微调的革命性增强——检索增强生成技术深度解析
m0_72427326的博客
06-05 1694
RAG（检索增强生成）技术解决了大模型知识固化的核心痛点，通过解耦知识存储与推理能力，实现静态知识库与动态生成的完美融合。其核心架构包含检索器、向量知识库和生成器三大模块，采用四阶段训练法优化性能。相比传统方案，RAG在知识更新速度（秒级）、事实准确率（92.8%）和成本效益（$800）上具有显著优势。工程实践中结合LlamaIndex可实现高效检索，未来RAG将向智能体协同和多模态方向演进。该技术不仅降低训练成本10倍，还建立了可审计的知识系统，正在重新定义人机协作边界，成为大模型落地的基础设施。
大模型——最全梳理 一文搞懂RAG技术的5种范式！
03-26 825
高级 RAG 引入了具体的改进措施，以克服 Naive RAG 的局限性。为了提高检索质量，它采用了检索前和检索后策略。为了解决索引问题，高级 RAG 通过使用滑动窗口方法、细粒度分割和元数据的整合，改进了索引技术。此外，它还采用了多种优化方法来简化检索过程。模块化 RAG 架构超越了前两种 RAG 范式，具有更强的适应性和多功能性。它采用了多种策略来改进其组件，例如为相似性搜索添加搜索模块，以及通过微调完善检索器。为应对特定挑战，还引入了重组 RAG 模块和重排 RAG 管道等创新方法。
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 275
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
三大空间信息焕新：辉视让酒店服务、教育通知、监所管控更智能高效
CalebLXL的博客
11-24 784
走访这些场所后我发现，系统的真正价值不在于那些炫目的屏幕，而在于它构建了一套"空间信息免疫系统"——就像人体淋巴网络般，能智能识别各区域的信息需求，精准输送"营养"，快速清除"毒素"。当我们在酒店大堂不再错过末班机场大巴，在学校走廊偶遇恰好需要的竞赛通知，甚至在高墙内获得规整的信息权时，或许该重新思考：所谓智能化，本质是对空间信息代谢效率的一次外科手术式改造。这种荒诞的割裂感，正是传统信息分发模式崩溃的缩影——直到我最近走访数家采用辉视系统的场所，才意识到我们早已进入"精准信息触达"的新纪元。
（116页PPT）关于5G和新基建赋能智慧工地整体解决方案（附下载方式）
2501_92808811的博客
11-25 545
在整体架构方面，方案以“5G智慧工地平台”为核心，依托多类感知设备（如传感器、摄像头、AI眼镜、智能安全帽等）采集数据，通过5G网络实时回传至云平台，再借助大数据、云计算、人工智能等技术进行分析处理，最终在PC、手机、监控大屏等多终端进行可视化展示。此外，文件还详细列举了传统智慧工地子系统（如深基坑监测、升降机监控、扬尘噪音监测、智能水电计量等）的功能与部署方式，并补充了如5G企业专网、实测机器人、智慧科技体验中心等延伸应用，体现出方案的系统性与前瞻性。详细资料请看本解读文章的最后内容。
信息检索13
2301_80828873的博客
11-26 948
最近邻检索的方法，PQ，IVF,HNSW
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 720
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
【LoRA（低秩适应）技术详解：原理、公式与实践】
m0_46882548的博客
11-26 719
参数高效：可训练参数量通常仅为全量微调的0.01% - 3%，极大降低了计算和存储成本。内存友好：由于大部分原始权重被冻结，无需存储其优化器状态，显著减少了训练时的显存占用。无推理延迟：训练后可将LoRA权重合并回原模型，推理速度与原始模型一致。模块化与灵活性：一个基础模型可以搭配多个针对不同任务的、体积很小（几兆字节）的LoRA适配器，轻松切换任务。减轻灾难性遗忘：因为原始权重基本不动，模型在适应新任务时更不容易遗忘预训练时获得的通用知识。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
最新发布
Trb201013的博客
11-27 273
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
基于RAG与知识图谱的智能问答系统构建
正是对传统RAG系统的深度优化与功能扩展，通过引入Ragflow、Xinference和Neo4j三大核心技术组件，实现了从非结构化数据到结构化知识的有效转化，并最终形成一个具备高可解释性、强推理能力和高效响应速度的知识增强...
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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