RAG能否进一步抽象成Agent？关于RAG系统构建的一些想法

        最近在不断地学习RAG相关的知识，这个学习过程中对于RAG的认知也在不断地改变。这篇文章主要记录一些当前最新的想法。

        在之前的学习过程中，我们了解到一次RAG查询的基本工作流程如下：

        在这个过程中，在将查询提交给大模型之前，会使用构建好的索引库来找到关联的上下文信息，并将整合后的结果提交给生成器去做生成。但我觉得这个过程其实可以进一步抽象：

        这里使用了一个隐式的LLM(方便理解后续Agent的抽象）。可以看到此时的查询过程为：由LLM决策，使用检索工具进行检索，然后将检索工具的返回结果和查询再次交给大模型判断，此时大模型的不再调用工具，而是生成答案，返回最终结果。对上图做下简单的调整，可以得到如下所示：

        将检索内容抽象为工具，那么RAG的查询流程就可以抽象为这样的流程。如果对Agent较熟悉的话，可以看出这其实就是一个Agent的处理流程。 所以在这里我觉得RAG其实可以抽象成Agent的，这样的话，Agent构建过程中的一些解决方案也可以类似的迁移到RAG系统中来。

        基于上面抽象的基础之上，索引能力就可以单独抽出来去做自己的构建，这部分内容和传统的搜索系统比较契合，可以考虑按照传统搜索系统的方式进行构建。这部分就需要进一步去学习搜索系统的构建了。

        感觉RAG系统的设计和落地可以参考Agent应用框架+搜索系统。