最新突破！Agentic RAG 的七種企業(yè)架構

作者：碼農(nóng)漁夫 2025-01-22 10:24:27

人工智能

本文從最基本原則和 RAG 范式的演變開始，介紹 Agentic RAG 的七種架構。還重點介紹在五種應用場景的效果。

今天，分享一篇長達 35 頁的最新Agentic RAG 綜述。

論文想解決的核心問題是，當今天大型語言模型（LLMs）在處理動態(tài)、實時查詢時依賴靜態(tài)訓練數(shù)據(jù)導致的過時、不準確輸出、幻覺等問題。

它從最基本原則和 RAG 范式的演變開始，介紹 Agentic RAG 的 7 種架構。還重點介紹在 5 種應用場景的效果，如醫(yī)療保健、金融和教育等行業(yè)中的關鍵應用，且非常詳細。

Agentic RAG 原理

首先，來看 Agentic RAG 是如何破局傳統(tǒng)的限制，成為新的探索方向呢。

一般來說，普通常 Agent 包括 4 部分組成：

LLM（具有定義的角色和任務）：作為 Agent 主要推理引擎，幫助用戶查詢，生成響應，并保持連貫性。
記憶（短長期記憶）：在互動過程中的上下文和依賴數(shù)據(jù)，短期記憶會跟蹤對話狀態(tài)，而長期記憶具備長期存儲數(shù)據(jù)能力。
規(guī)劃（反思與自我評價）：可以通過自我反思和自我評判引導 Agent 的迭代推理。
工具（如向量搜索、網(wǎng)絡搜索、API 等）：僅靠上面三個部分 Agent 還是過于簡單，通過工具擴展來提高 Agent 能力，如調(diào)用外部資源，實時獲取數(shù)據(jù)等。

然后，Agentic RAG 帶來了新的 4 種機制。

1. 自我反思

通過對其輸出的正確性、風格、效率進行批判，不斷驗證結果差距來進一步增強。像人類一樣具備自我修煉、評估檢索到的結果進行迭代改進。

2. 規(guī)劃

規(guī)劃機制，它能夠通過分解復雜任務為子任務并動態(tài)調(diào)整執(zhí)行順序，適應動態(tài)環(huán)境，處理不確定任務，推動創(chuàng)新應用。具備這種能力，在動態(tài)和不確定的場景中進行多跳推理和迭代問題解決至關重要。

3. 工具使用

工具可以擴展 Agent 能力的變?yōu)橹陵P重要，讓Agent 系統(tǒng)變得更靈活，能力更強。

4. 多 Agent 協(xié)作

意思是多個不同 Agent 在一起協(xié)同作業(yè)，分工明確每個 Agent 負責具體任務。類似在企業(yè)團隊共同合作完成任務，這些效率高效。

Agentic RAG七種框架

1. 單Agent架構

單 Agent 架構在處理簡單任務時表現(xiàn)出色，但在處理復雜任務時效率較低。其優(yōu)勢在于簡單的設計和高效的資源優(yōu)化，這種架構強調(diào)簡單，輕松的任務。

案例：客戶支持

2. 多Agent架構

多Agent 架構在處理復雜任務時表現(xiàn)優(yōu)異，能夠并行處理多種查詢類型，提高系統(tǒng)的可擴展性和準確性。這種架構難點在于，你要如何挑戰(zhàn)在多個 Agent 間的協(xié)調(diào)復雜性和計算開銷。

案例：多領域研究助手

3. 分層代理架構

分Agent 架構，適合較為復雜的多面查詢場景表現(xiàn)最佳，通過優(yōu)先級分配，提高了整體響應的準確性和連貫性。比較有挑戰(zhàn)地方，如何維護多級代理間的通信和資源分配。

案例：金融分析系統(tǒng)

4. 自我糾正架構

核心思想是通過動態(tài)評估檢索文檔的相關性并進行修正，從而提高響應的準確性和相關性。

案例：學術研究助手提示：生成式AI研究的最新發(fā)現(xiàn)有哪些？綜合響應：“生成式AI的最新發(fā)現(xiàn)突顯了擴散模型的進步、用于文本到視頻任務的強化學習以及大規(guī)模模型訓練的優(yōu)化技術。欲了解更多細節(jié)，請參閱2024年NeurIPS和2025年AAAI發(fā)表的研究。”