一图理解RAG与Agentic RAG的区别

文章摘要

【关 键 词】 自然语言、AI系统、信息检索、智能代理、查询优化

自然语言处理技术框架RAG（Retrieval-Augmented Generation）通过结合信息检索和生成模型，提升了AI系统在回答自然语言问题时的准确性和可靠性。然而，传统RAG存在一些局限性，例如无法动态搜索更多信息、无法对复杂查询进行推理以及不能根据具体问题调整策略。

为了解决这些问题，Agentic RAG被提出，其核心思想是在RAG的每个阶段引入智能体行为。Agentic RAG的工作流程包括：Agent重写查询（如修正拼写错误）、判断是否需要更多上下文信息、寻找最佳外部来源获取上下文、系统获取响应、Agent检查答案是否相关等。如果答案不相关，流程会回到重写查询的步骤，直到获得合适的响应或系统承认无法回答查询。

Agentic RAG通过Agent确保每个独立步骤的结果都与目标保持一致，使RAG更加强大。图示仅展示了Agentic RAG系统可能采用的众多架构之一，可以根据具体使用场景进行调整。

原文和模型

【原文链接】 阅读原文 [ 433字 | 2分钟 ]
【原文作者】 AI大模型实验室
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★☆☆☆☆

Moonshot AI

月之暗面是一家 AI 初创大模...