关于RAG、LLM、AI Agent、Prompt的关联和差异

最新推荐文章于 2025-04-10 11:04:32 发布
最新推荐文章于 2025-04-10 11:04:32 发布
阅读量950 收藏 18
点赞数 21
文章标签： 人工智能 prompt 搜索引擎 语言模型 chatgpt 学习 百度
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_76161259/article/details/144403908
版权

一、RAG：检索增强生成
RAG 是 retrieval-Augmented Generation 的缩写，即检索增强生成。从字面意思理解，它主要增强搜索和检索的能力，力求 “找得更准”。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

  • 案例：在智能客服领域，当用户提出问题时，RAG 可以快速从知识库中检索出相关信息，并结合生成技术给出更准确的回答。
    RAG 通过专项学习具体的向量来增强结果，目前在企业知识库中应用广泛。同时，它能在一定程度上限制大模型回答问题时产生的幻觉。RAG 是一种基于 LLM 的增强优化方案，在具体场景中可解决特定问题。

二、LLM：大语言模型
LLM：Large Language Model，即大语言模型，但我们知道 RAG 是基于 LLM 的。LLM 作为语言模型基础，为 RAG 等技术提供了支撑。

  • 案例：例如 OpenAI 的 GPT 系列就是一种强大的 LLM，它可以生成自然流畅的文本。
    LLM 的不断发展和进步，也推动着人工智能领域的创新。

三、AI Agent：

智能体解决复杂业务AI Agent 如同一个智能体，通过 AI 的基础能力搭建而成，能解决复杂的业务问题。

关于单Agent 和多Agent

现场日常垂直场景单Agent基本已经能够解决，关于多Agent，我和豆包的同学聊过这个话题，好像在创新场景比如搭建游戏的npc或者大型项目用Agent之间协作更合适一点，多agent下，变量的不确定性会增强；

  • 案例：比如在电商领域，一个智能客服 agent 可以通过与用户的交互，了解用户需求，然后调用不同的服务模块，如商品推荐、订单查询等，为用户提供全方位的服务。
    它可以由工作流、prompt 工程等共同组织，确保多节点问题的解决。在复杂业务中，多个 agent 可共同协作。

  • 案例：例如在 coze 上搭建的旅游规划方案智能体，能通过查询天气、日历、航班等给出旅游方案，且可调整节点输入得到不同答案。与仅用 prompt 输入相比，AI Agent 在处理复杂任务时更具优势。

四、Prompt 工程与 AI Agent 的关系
Prompt 是输入给大模型的提示词，有固定格式，可引导大模型输出方向。

  • 案例：比如在图像生成领域，通过输入特定的 prompt，如 “一只可爱的小猫咪在花园里玩耍”，可以让图像生成模型生成相应的图像。
    使用 prompt 还是 AI Agent 取决于任务的复杂程度。简单单节点任务可用 prompt，而复杂任务则需 AI Agent。AI Agent 能自动化解决流程范式，控制大模型结果更准确。相比之下，仅用 prompt 控制结果时，“幻觉” 影响大，结果确定性不足。AI Agent 就像综合战士，可携带各种装备对抗问题，还能复制、组合，采用团队组合战术。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

在这里插入图片描述

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
在这里插入图片描述
在这里插入图片描述

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

中年猿人
关注
【大模型应用开发 动手做AI Agent】LlamaIndex和基于RAG的AI开发
AI天才研究院
05-27 1268
随着人工智能技术的飞速发展,大语言模型(Large Language Models, LLMs)在各个领域得到了广泛应用。LLMs通过从大规模文本语料中学习,可以生成连贯、自然的文本,完成复杂的自然语言处理任务。然而,LLMs仍然存在知识储备有限、推理能力不足等问题。为了进一步增强LLMs的能力,学术界和工业界开始探索LLMs与其他技术的结合,比如知识图谱、检索增强生成(Retrieval-Augmented Generation, RAG)等。
RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
热门推荐
丨汀、的博客
07-30 3万+
RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
LLM与RAG的初识-1
m0_53374676的博客
02-23 1379
检索增强生成（Retrieval-Augmented Generation, RAG）是一种结合了信息检索和文本生成技术的自然语言处理（NLP）方法。这种方法利用大型语言模型（LLM）的生成能力，并结合了检索系统从大量数据中检索相关信息的能力。RAG的目标是生成既准确又具有信息量的文本，同时确保生成的文本与给定的查询或任务紧密相关。通过检索与输入查询最相关的信息片段，然后使用这些片段来指导、优化和丰富生成过程，RAG提高了生成文本的准确性和相关性。
微调大型语言模型 (LLM) 和 RAG 的区别、优势和劣势
juhanishen的博客
07-23 1305
微调大型语言模型 (LLM) 和 RAG 的区别、优势和劣势
大白话讲解： Agent、 LLM 、RAG 、提示词工程
最新发布
2401_85325726的博客
04-10 738
LLM是大脑，负责理解用户需求、生成文本；RAG提供最新景点和餐厅数据，避免推荐已关闭的店铺；Agent协调整个流程：先查天气，再调地图API算路线，最后用LLM生成行程；提示词则是你给AI的详细需求文档，确保输出符合预期。如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！
关于LLM（大语言模型）与RAG（检索增强生成）
ytt0523_com的博客
02-14 1001
1、LLM（Large Language Model）LLM，即大语言模型，是一种基于深度学习技术构建的超大规模语言模型。它通过在海量文本数据上进行训练，学习语言的模式和规律，从而能够生成自然语言文本。常见的LLM包括GPT系列、PaLM、文心一言等。核心特点：2、RAG（Retrieval-Augmented Generation）RAG，即检索增强生成，是一种结合检索和生成的技术。它在回答问题或生成文本时，会先从外部知识源（如数据库、文档库）检索相关信息，然后将检索结果与原始问题一起输入LLM，生成更准
LLM之RAG理论（三）| 高级RAG技术全面汇总
wshzd的博客
12-27 3091
让我们看一看多文档代理方案（https://docs.llamaindex.ai/en/stable/examples/agent/multi_document_agents.html）——一个非常复杂的设置，包括在每个文档上初始化一个代理（OpenAIAgent（https://docs.llamaindex.ai/en/stable/examples/agent/openai_agent.html）），能够进行文档摘要和经典的QA机制，以及一个顶级代理，负责将查询路由到文档代理并进行最终答案合成。
从 RAG 到 Self-RAG —— LLM 的知识增强
weixin_40920183的博客
11-11 2237
作者：紫气东来（上海交大 工学硕士）一、 RAG 及其必要性1.1 初识 RAGRAG（Retrieval Augmented Generation, 检索增强生成），即 LLM 在回答问题或生成文本时，先会从大量文档中检索出相关的信息，然后基于这些信息生成回答或文本，从而提高预测质量。RAG 方法使得开发者不必为每一个特定的任务重新训练整个大模型，只需要外挂上知识库，即可为模型提供额外的信息...
一文读懂RAG和LLM微调，教你结合业务场景落地LLM应用
aolan123的博客
10-23 1967
1. 需要外部知识吗？对于以前摘要的风格进行摘要的任务，主要数据源将是以前的摘要本身。如果这些摘要包含在静态数据集中，就不太需要持续外部数据检索。但是，如果有一个频繁更新的摘要动态数据库，目标是不断与最新条目对齐的话，RAG可能在这个场景更好发挥作用。2. 需要模型适配吗？这个用例的核心是适应专业领域或特定的写作风格。微调特别擅长捕捉风格细微差异、语调变化和特定领域的词汇，因此对于这个维度来说，微调也是是一个必要的选择。3. 必须是最小化幻觉吗？在大多数LLM应用中，都会存在响应幻觉的问题。
LLM大语言模型优化方法简介：Prompt、RAG、Fine-tuning
lhx17673139267的博客
07-19 1216
大型语言模型（如GPT、LLama、Gemini）在准确性、知识更新速度和答案透明度方面存在挑战，常用的解决优化方法：Prompt Engineering（提示词工程）、Retrieval-Augmented Generation（RAG，检索增强生成）和Fine-tuning（微调）。每种方法都有不同的层次和特点。：通过使用标准提示词、Few-shot提示词和XoT提示词（如CoT和ToT），来提高模型的回答精准度。RAG：模型首先从文档库中寻找相关信息，然后使用这些信息来生成回答或文本。
RAG+Agent项目实践系列：基于本地菜谱知识库的大语言模型RAG+Agent的解决方案设计和实现
丨汀、的博客
08-09 1069
RAG+Agent项目实践系列：基于本地菜谱知识库的大语言模型RAG+Agent的解决方案设计和实现
LLM Agent之再谈RAG的召回信息密度和质量
2301_81887304的博客
02-20 1066
话接上文的召回多样性优化，多路索引的召回方案可以提供更多的潜在候选内容。但候选越多，如何对这些内容进行筛选和排序就变得更加重要。这一章我们唠唠召回的信息密度和质量。同样参考，这一章对应环节，考虑排序中粗排和精排的区分主要是针对低延时的工程优化，这里不再进一步区分，统一算作排序模块。让我们先对比下重排和排序模块在经典框架和RAG中的异同下面我们分别说两这两个模块有哪些实现方案。
一文读懂：LLM大模型RAG
AAI666666的博客
07-09 4155
检索增强生成（Retrieval Augmented Generation），简称 RAG，已经成为当前最火热的LLM应用方案。
人工智能知识普及，AI，大模型，Agent，prompt
qq_33453797的博客
04-29 1972
但是，如果你问，从政治，经济，文化，制度等方面，来分析一下古代大一统封建王朝三百年的宿命论；虽然现在基于大模型可以实现文本，图片和视频的生成，但AI怎么实现在科学研究，医药，法律，制造业等其它领域的应用，而这就是agent需要解决的问题。至于agent它的手和脚是怎么实现的，然后又是怎么和大模型拼接到一块成为一个人的；我们知道大模型是通过大量的数据进行训练出来的一种具有“一定智能”的人工智能，之所以说具有一定智能是因为大模型目前为止并没有自己的意识，也就是说它没有像人类一样具有自己独立的思想。
LLM和RAG技术的比较探索
kiiy2的博客
08-08 718
*相比之下，**RAG的优势在于其提供准确、信息丰富的响应的能力，在知识密集型任务中尤其有价值，非常适合于最新或特定详细信息的整合至关重要的情况。然而，LLM并非没有挑战。LLM的核心是依靠大量的文本数据和复杂的神经网络架构，从他们接受过训练的文本内容中学习语言模式、语法和知识。在人工智能（AI）的动态环境中，两种开创性的技术——大型语言模型（LLM）和检索增强生成（RAG）——在理解和生成类人文本方面脱颖而出。随着人工智能的不断发展，LLM和RAG的比较分析强调了为正确的任务选择正确工具的重要性。
大模型基础：基本概念、Prompt、RAG、Agent及多模态
2301_82275412的博客
12-11 843
随着大模型的迅猛发展，LLM 作为人工智能的核心力量，正以前所未有的方式重塑着我们的生活、学习和工作。无论是智能语音助手、自动驾驶汽车，还是智能决策系统，大模型都是幕后英雄，让这些看似不可思议的事情变为可能。1. LLM基础知识3. RAG的应用4. Agent的应用5. 多模态模型1. LLM基础知识1.1 LLM基本概念从字面意思来讲，LLM 是 Large Language Model 这三个单词的首字母缩写，意为大语言模型。
agent,rag.langchain
03-25
### LangChain中Agent和RAG模式的实现与应用 #### Agent 的定义与功能 在 LangChain 中，Agent 是一种用于自动化任务处理的核心模块。它通过结合语言模型 (LLM) 和工具集来完成复杂的多步操作。Agent 可以接收用户的自然语言输入并解析成一系列动作，调用外部 API 或数据库查询等功能模块，最终返回结果给用户[^1]。 以下是创建一个简单 Agent 的代码示例： ```python from langchain.agents import initialize_agent, Tool from langchain.llms import OpenAI from langchain.tools import BaseTool class ExampleTool(BaseTool): name = "example_tool" description = "An example tool that returns a fixed response." def _run(self, query: str) -> str: return f"Response to {query}" llm = OpenAI(temperature=0) tools = [ExampleTool()] agent_chain = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True) result = agent_chain.run("What is the capital of France?") print(result) ``` 此代码展示了如何初始化一个带有自定义工具的 Agent 并运行简单的提问任务[^2]。 #### RAG 模式的原理及其在 LangChain 中的应用 RAG（Retrieval-Augmented Generation）是一种增强型生成方法，其核心思想是将检索机制引入到文本生成过程中。具体来说，在生成回复之前先从大量文档数据集中提取最相关的片段作为上下文信息提供给 LLM 进行进一步加工[^3]。 LangChain 提供了完整的框架支持这种工作流的设计与开发。下面是一个典型的流程描述： 1. **索引建立**: 使用向量存储技术对原始资料进行编码形成可高效查找的数据结构； 2. **相似度匹配**: 当接收到新请求时，计算该问题与其他已知记录之间的距离得分找出最佳候选者集合； 3. **融合输出**: 将上述找到的内容传递至预训练好的大型语言模型里综合考虑后给出最终答复。 这里有一个利用 LangChain 构建本地知识库问答系统的实例演示： ```python from langchain.embeddings.openai import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.text_splitter import CharacterTextSplitter from langchain.chains import RetrievalQA from langchain.document_loaders import TextLoader from langchain.prompts import PromptTemplate from langchain.chat_models import ChatOpenAI loader = TextLoader('./data/local_knowledge.txt') documents = loader.load() text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0) texts = text_splitter.split_documents(documents) embeddings = OpenAIEmbeddings() db = Chroma.from_texts([t.page_content for t in texts], embeddings, collection_name="local-knowledge") qa_prompt_template = """Use the following pieces of context to answer the question at the end. {context} Question: {question} Answer:""" prompt = PromptTemplate(template=qa_prompt_template, input_variables=["context", "question"]) model = ChatOpenAI(model_name='gpt-3.5-turbo', temperature=0) retriever_qa = RetrievalQA.from_llm(llm=model, retriever=db.as_retriever(), prompt=prompt) response = retriever_qa.run("Who invented Python programming language and when was it first released?") print(response) ``` 这段脚本说明了怎样加载文件、分割文本单元格、嵌入特征表示以及设置对话链路等步骤来达成特定目标——即针对某个领域内的封闭式问题给予精确解答。 #### 总结 综上所述，LangChain 不仅提供了灵活易扩展的基础架构让用户能够轻松搭建各种智能化服务项目，而且也内置了很多实用的功能组件方便开发者快速原型化想法验证效果。无论是需要执行复杂指令序列还是希望打造专属的知识咨询平台，都可以借助这一强大开源库的力量去探索无限可能！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值