国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

從RAG到Agentic RAG，是AI從“信息調(diào)用”走向“任務(wù)執(zhí)行”的一次范式躍遷。本文將系統(tǒng)梳理Agentic RAG的架構(gòu)演進(jìn)、能力擴(kuò)展與應(yīng)用場(chǎng)景，幫助讀者理解生成式AI如何從“工具”變成“智能體”。

RAG

RAG（Retrieval-Augmented Generation，檢索增強(qiáng)生成）是一種結(jié)合外部知識(shí)檢索與大語(yǔ)言模型（LLM）生成的技術(shù)框架，核心目標(biāo)是解決純 LLM 存在的 “知識(shí)滯后、事實(shí)錯(cuò)誤（幻覺）、無(wú)法引用特定來(lái)源” 等問題，讓模型生成的內(nèi)容更準(zhǔn)確、更具時(shí)效性、更可追溯。

RAG大致可以分為：

①分片→索引

②召回→重排→生成這一樣的一個(gè)基本流程

即將用戶的query提取相應(yīng)的關(guān)鍵詞并轉(zhuǎn)化成向量，通過(guò)將RAG所存入的內(nèi)容，通過(guò)在內(nèi)部知識(shí)庫(kù)的內(nèi)容，并返回chunk，并且根據(jù)模型的統(tǒng)計(jì)，選擇其中的內(nèi)容，比如說(shuō)前幾的內(nèi)容，然后根據(jù)用戶的內(nèi)容內(nèi)容，將相應(yīng)排序前的內(nèi)容放在前面，模型進(jìn)行改寫，結(jié)合生成相應(yīng)的內(nèi)容

模型首先會(huì)對(duì)上下文的內(nèi)容（query＋history）進(jìn)行結(jié)合，并相應(yīng)的改寫，作為上下文工程的存在進(jìn)行收集

然后模型會(huì)進(jìn)行改寫，并且進(jìn)入RAG進(jìn)行查詢，然后對(duì)知識(shí)進(jìn)行排序，并且將chunk和query進(jìn)行排序，生成相應(yīng)的prompt，進(jìn)入模型，經(jīng)過(guò)相應(yīng)的安全綠網(wǎng)進(jìn)行回答

使用RAG的意義

1. 拓展模型所擁有的知識(shí)，以提升模型的局限性
2. 降低幻覺問題的概率
3. 降低自身數(shù)據(jù)的泄露問題

RAG的流程（分片→索引，召回→重排→生成）

分片

將文本內(nèi)容切分。RAG切分的方法：

1. 規(guī)則切分方法

① 固定長(zhǎng)度切分

• 原理：按固定字符數(shù)、token數(shù)或句子數(shù)分割文檔，超過(guò)長(zhǎng)度則截?cái)唷?/li>
• 優(yōu)點(diǎn)：實(shí)現(xiàn)簡(jiǎn)單，適合結(jié)構(gòu)松散的文本（如純文本、小說(shuō)）。
• 缺點(diǎn)：可能破壞語(yǔ)義完整性（如切斷句子、段落邏輯）。
• 示例：每500字符或200token切分為一個(gè)chunk，保留一定重疊（如50token）避免信息割裂。

②結(jié)構(gòu)感知切分

• 原理：根據(jù)文檔固有結(jié)構(gòu)（如段落、章節(jié)、標(biāo)題層級(jí)）分割，優(yōu)先按自然邊界切分。
• 優(yōu)點(diǎn)：保留語(yǔ)義完整性，適合結(jié)構(gòu)化文檔（如PDF、Markdown、HTML）。

③標(biāo)點(diǎn) / 符號(hào)切分

• 原理：以標(biāo)點(diǎn)符號(hào)（如句號(hào)、分號(hào)）或特殊符號(hào)作為切分點(diǎn)，避免截?cái)嗤暾渥印?/li>
• 優(yōu)點(diǎn)：減少句子被割裂的概率，適合正式文本（如論文、新聞）。
• 缺點(diǎn)：長(zhǎng)句可能被過(guò)度拆分或保留過(guò)長(zhǎng)。

2. 基于語(yǔ)義的切分方法

①語(yǔ)義相似度切分

• 原理：通過(guò)計(jì)算句子/段落間的語(yǔ)義相似度（如用BERT等模型生成嵌入向量），將語(yǔ)義相近的內(nèi)容歸為一個(gè)chunk，相似度低于閾值則切分。
• 優(yōu)點(diǎn)：按語(yǔ)義邏輯分組，避免切斷相關(guān)內(nèi)容（如同一主題的跨段落描述）。
• 缺點(diǎn)：計(jì)算成本高，依賴預(yù)訓(xùn)練模型。

②主題檢測(cè)切分

• 原理：通過(guò)主題模型（如LDA）或transformer模型檢測(cè)文本中的主題邊界，當(dāng)主題發(fā)生切換時(shí)切分。
• 優(yōu)點(diǎn)：適合長(zhǎng)文檔（如報(bào)告、書籍），確保每個(gè)chunk聚焦單一主題。
• 示例：用BERTopic模型識(shí)別主題變化點(diǎn)，作為切分依據(jù)。

3. 混合切分方法

結(jié)合規(guī)則與語(yǔ)義的優(yōu)勢(shì)，平衡效率與準(zhǔn)確性，是實(shí)際應(yīng)用中的常用策略：

• 示例1：先按段落分割（結(jié)構(gòu)規(guī)則），再對(duì)過(guò)長(zhǎng)段落用語(yǔ)義相似度二次切分；
• 示例2：固定長(zhǎng)度切分+重疊窗口，同時(shí)用句子邊界調(diào)整（確保chunk以完整句子結(jié)尾）；
• 示例3：對(duì)結(jié)構(gòu)化文檔（如PDF）先提取標(biāo)題、正文、圖表等元素，再按元素類型分別采用不同切分策略。

RAG提高準(zhǔn)確率的切分方法

1. 交疊切分 知識(shí)片段有明確主題

即每個(gè)切片可以跟上個(gè)切片和下個(gè)切片有部分重疊

即一個(gè)切片中和上下切片中的內(nèi)容，有相互交疊的部分

2. 多顆粒度混合切分

多顆粒度混合，即多種顆粒度在同一情況下使用

按照顆粒度不同可以分為：

• 粗顆粒度，即大塊的知識(shí)單元
• 中顆粒度，即章節(jié)、模塊的知識(shí)
• 細(xì)顆粒度，即單條概念或者是知識(shí)點(diǎn)

多顆粒度混合使用，通常會(huì)以以下方式實(shí)現(xiàn)：

• 層次化切分：按照知識(shí)的多級(jí)結(jié)構(gòu)，去分層
• 動(dòng)態(tài)組合：根據(jù)需要將不同顆粒度的知識(shí)單元進(jìn)行靈活組合
• 元數(shù)據(jù)標(biāo)注：為每個(gè)知識(shí)單元添加顆粒度標(biāo)簽，便于檢索

3. 知識(shí)片段的上下相鄰片段也可以一并取出，提高信息完整度

通過(guò)與該知識(shí)片段的聯(lián)系，幫助去將有關(guān)的知識(shí)片段做相關(guān)的鏈接

4. 檢索時(shí)多召回結(jié)果，再用單獨(dú)的模型去進(jìn)行重排序

通過(guò)對(duì)多召回的結(jié)果通過(guò)rerank模型去做重排序，去看準(zhǔn)確率

5. 向量＋關(guān)鍵詞混合檢索

一般分為兩個(gè)階段：

1. 關(guān)鍵詞檢索得到初步文檔
2. 向量檢索精準(zhǔn)匹配相關(guān)段落

6. user prompt重構(gòu)

通過(guò)LLM通過(guò)將prompt重構(gòu)成幾種不同的表達(dá)，然后再根據(jù)相應(yīng)的表達(dá)生成對(duì)應(yīng)向量去檢索，最后綜合得出結(jié)果

7. 粗檢＋細(xì)檢

粗檢→提取關(guān)鍵詞→細(xì)檢

8. 考慮上下文

即上下文工程結(jié)合內(nèi)容回答用戶

索引

即當(dāng)接收用戶查詢后，通過(guò)Embedding將片段文本轉(zhuǎn)換為向量，將片段文本和片段向量存入數(shù)據(jù)庫(kù)的一個(gè)過(guò)程

Embedding就是一個(gè)編碼器，將內(nèi)容轉(zhuǎn)換成機(jī)器可以理解的語(yǔ)言

召回

就是搜索與用戶相關(guān)片段的過(guò)程

即：

query→Embedding模型→向量數(shù)據(jù)庫(kù)→片段文本的召回

返回的片段文本會(huì)計(jì)算與用戶query有關(guān)的內(nèi)容，計(jì)算向量相似度，從而選取其中的前幾

召回的特點(diǎn)：

1. 成本低
2. 耗時(shí)短
3. 準(zhǔn)確率低

適合場(chǎng)景：適合做初篩

重排

針對(duì)性的對(duì)返回的文本進(jìn)行二次排序，挑選出與用戶問題匹配度更好的文本，更加符合用戶語(yǔ)意回答的方式

cross-encoder的特點(diǎn)：

1. 成本高
2. 耗時(shí)長(zhǎng)
3. 準(zhǔn)確率高

適合場(chǎng)景：精挑細(xì)選

生成

用戶問題＋與用戶問題匹配度高的參考片段，模型參考以上內(nèi)容，回答

文檔解析技術(shù)

模型會(huì)通過(guò)OCR，對(duì)文檔進(jìn)行解析，同時(shí)將內(nèi)容進(jìn)行分析，標(biāo)題，內(nèi)容，先后等內(nèi)容

同時(shí)目前可以對(duì)表格進(jìn)行分析，輸出markdown、html、邏輯坐標(biāo)

同時(shí)模型可以對(duì)內(nèi)容進(jìn)行分析層級(jí)分析

通過(guò)利用模型不同模態(tài)的訓(xùn)練，可以對(duì)于文檔中的圖片等內(nèi)容進(jìn)行解析，從而轉(zhuǎn)換成自然語(yǔ)言，作為RAG的內(nèi)容

即對(duì)圖片、表格進(jìn)行描述，生成相應(yīng)的內(nèi)容理解

在遇到query時(shí)，可以通過(guò)對(duì)內(nèi)容分析，進(jìn)行排序，生成相應(yīng)的回復(fù)。

RAG需要注意的點(diǎn)

RAG不等于百科全書

• 干擾信息過(guò)多
• 我們需要在知識(shí)庫(kù)中添加核心業(yè)務(wù)的核心問答數(shù)據(jù)

數(shù)據(jù)質(zhì)量

好的模型＋優(yōu)質(zhì)的數(shù)據(jù)，才可以對(duì)用戶進(jìn)行優(yōu)質(zhì)的回復(fù)

要注意數(shù)據(jù)的：

• 時(shí)效性
• 數(shù)據(jù)的結(jié)構(gòu)
• 數(shù)據(jù)的表達(dá)

動(dòng)態(tài)更新的必要

知識(shí)庫(kù)的數(shù)據(jù)會(huì)隨著時(shí)間的更新去過(guò)期，就需要人為的進(jìn)行動(dòng)態(tài)的更新維護(hù)，保證數(shù)據(jù)質(zhì)量以及數(shù)據(jù)的時(shí)效性

方法：

1. 增加時(shí)間戳
2. 設(shè)置更新機(jī)制，人為去進(jìn)行優(yōu)化

知識(shí)庫(kù)并不代表了理解

RAG的本質(zhì)更多的是基于Embedding模型，針對(duì)性的在向量數(shù)據(jù)庫(kù)中，召回相似的內(nèi)容，然后進(jìn)行回答，并不能直接對(duì)內(nèi)容進(jìn)行理解，在這個(gè)基礎(chǔ)上，需要搭載模型，讓模型針對(duì)性的進(jìn)行理解回答

Agentic RAG

Agentic RAG是增加在RAG的基礎(chǔ)上增加了一些開創(chuàng)性思路

ReAct框架（協(xié)同推理與行動(dòng)）

通過(guò)引入”思考-行動(dòng)-觀察“的循環(huán)。AI不再只是想，通過(guò)做，然后不斷調(diào)整和驗(yàn)證自己的思考

Self-RAG框架（自我反思與修正）

賦予AI一種自我思考，判斷是否需要調(diào)用一種能力，不斷反思

其獨(dú)特性在于可以對(duì)復(fù)雜問題進(jìn)行拆解，逐步完成，并且在過(guò)程中，針對(duì)性的調(diào)整自己的策略