“ 不論是RAG，還是智能體都僅僅只是一門(mén)技術(shù)；而不同的業(yè)務(wù)場(chǎng)景需要選擇合適的技術(shù)實(shí)現(xiàn)。”

最近這段時(shí)間一直在做一個(gè)RAG檢索增強(qiáng)的系統(tǒng)，但由于前期對(duì)需求了解不足，導(dǎo)致目前系統(tǒng)開(kāi)發(fā)遇到一些問(wèn)題，那就是目前使用純粹的RAG技術(shù)很難解決業(yè)務(wù)需求問(wèn)題。

目前的需求是在一個(gè)大的業(yè)務(wù)場(chǎng)景下有三個(gè)子場(chǎng)景，但這個(gè)三個(gè)場(chǎng)景的入口只有一個(gè)對(duì)話框，因此需要根據(jù)用戶的意圖來(lái)進(jìn)行識(shí)別，然后判斷屬于哪個(gè)子場(chǎng)景。

因此，基于這種需求，之前的純RAG技術(shù)就很難滿足了；原因就在于傳統(tǒng)的RAG技術(shù)都是固定流程，沒(méi)有自主判斷的能力。所以，為了解決這個(gè)問(wèn)題，只能換一種方式，那就是智能體。

使用智能體重構(gòu)RAG系統(tǒng)

我們都知道大模型的應(yīng)用本質(zhì)上就是一門(mén)關(guān)于提示詞的技術(shù)，任何與大模型的交互都是基于提示詞來(lái)完成的。

而RAG技術(shù)又是什么呢？

可能網(wǎng)上很多文章和教程都在告訴你，RAG叫做Retrieval-Augmented Generation——檢索增強(qiáng)生成；其實(shí)簡(jiǎn)單來(lái)說(shuō)RAG就是一種提示詞增強(qiáng)的技術(shù)；因?yàn)榇竽Ｐ捅旧淼南拗茊?wèn)題，導(dǎo)致大模型缺少部分資料，因此在咨詢大模型具體的問(wèn)題之前，需要先找到問(wèn)題相關(guān)的文檔，然后告訴大模型，大模型才能回答我們的問(wèn)題；而這個(gè)找文檔的過(guò)程就叫做RAG。

因此，所謂的RAG檢索增強(qiáng)生成，主要由兩個(gè)模塊組成；檢索和生成，而檢索的目的是為了增強(qiáng)生成的質(zhì)量。

所以，RAG的本質(zhì)是為了找到與問(wèn)題相關(guān)的文檔；但傳統(tǒng)的RAG技術(shù)是固定化的流程，先對(duì)文檔進(jìn)行處理，然后根據(jù)用戶問(wèn)題對(duì)文檔進(jìn)行相似度或準(zhǔn)確查找。

這種方式在某些場(chǎng)景下是沒(méi)問(wèn)題的，但在某些場(chǎng)景下就有問(wèn)題了；因?yàn)槠涔潭ǖ牧鞒蹋蜎](méi)辦法根據(jù)不同的需求和場(chǎng)景來(lái)進(jìn)行自主判斷；比如作者上面所說(shuō)的場(chǎng)景。

因此，遇到這種問(wèn)題應(yīng)該怎么解決？

所以這時(shí)智能體的作用就體現(xiàn)出來(lái)了；那么什么是智能體？

智能體是一個(gè)能夠與外部環(huán)境進(jìn)行交互，并且能夠做出自我決策，并且根據(jù)決策結(jié)果進(jìn)行行動(dòng)的獨(dú)立個(gè)體。

所以，智能體的特點(diǎn)就是自主決策，有自我“意識(shí)”；因此，它可以自己分析用戶的意圖，然后決定執(zhí)行什么樣的步驟。

所以，相較于傳統(tǒng)的RAG技術(shù)，基于智能體的RAG技術(shù)有更強(qiáng)的自主性，更強(qiáng)的靈活性，以及更強(qiáng)的擴(kuò)展性。

當(dāng)然，并不是說(shuō)使用智能體做的RAG就一定比傳統(tǒng)的RAG技術(shù)更好；而是說(shuō)傳統(tǒng)的RAG技術(shù)和使用智能體實(shí)現(xiàn)的RAG技術(shù)，各自有各自的應(yīng)用場(chǎng)景；兩者并不是互相排斥，而是可以進(jìn)行互補(bǔ)。

比如說(shuō)本地?cái)?shù)據(jù)可以使用RAG做檢索增強(qiáng)，而第三方數(shù)據(jù)可以使用智能體做檢索增強(qiáng)；原因在于智能體靈活性更強(qiáng)，更適合與第三方交互；而傳統(tǒng)RAG技術(shù)更簡(jiǎn)單，成本更低，適合固定流程的業(yè)務(wù)場(chǎng)景。

本文轉(zhuǎn)載自??AI探索時(shí)代?? 作者：DFires