RAG 的尽头是 Agent？

最新推荐文章于 2024-09-27 20:28:32 发布

一顿码

最新推荐文章于 2024-09-27 20:28:32 发布

阅读量879

点赞数 11

文章标签：数据库前端

本文链接：https://blog.csdn.net/Meimei9411/article/details/140876786

版权

—1—

大模型的痛点

大模型技术席卷全球，为日常工作和生活带来便利，但也面临时效性、准确性等问题。如何提升大模型的性能？解决其挑战？构建高级应用？成为重要待解决问题。

RAG（检索增强生成）技术通过信息检索和文本生成，显著提升了大模型的性能。但 RAG 也存在局限性，比如：数据依赖、检索效率等。如何解决这些痛点？如何进一步提升 RAG 性能？是本文剖析的重点。

—2—

RAG 的痛点

Naive RAG 通过检索和生成，提升大模型在问答、智能助手等任务上的性能。但 Naive RAG 难以处理复杂问题或大型文档集，举例如下：

简单问题："特斯拉的主要风险因素是什么？" 和 "作者在 YC 期间做了什么？" 等问题，Naive RAG 可以给出准确答案。

复杂问题："总结 XXX 公司年度报告"、"比较开发者 A 和 B 贡献" 或 "分析滴滴公司风险" 等问题，Naive RAG 可能无法提供满意结果。

针对复杂问题，我们需要探索更高级 RAG 解决方案。

—3—

From RAG to Agent

Naive RAG（基于检索的增强生成）应用主要是在整合自身知识库的基础上，提升大型模型的性能，以产出更精准、即时和丰富的行业内容或定制化信息。然而，这种应用仍限于内容生成的领域。若要人工智能像一位“目标导向”的高效工作者一样，自主选择多种工具，与不同系统互动合作，直至完成最终任务，那么我们就需要从 RAG 升级至 Agent 模式。

以下是 RAG 向 Agent 转变的描述：

从 RAG 到 Agent 的演进，并非完全摒弃 RAG，而是在其基础上拓展以下几层功能：

多轮对话能力：与用户进行更深层次的交流，准确把握用户需求。
查询/任务规划层：理解和规划复杂的查询与任务流程。
外部工具接口：利用外部工具来完成特定任务。
反思机制：对执行结果进行反思、总结和评估。
记忆功能：记录用户交互历史，以提供更加个性化的服务。

通过这些功能的增强，Agent 不仅能应对复杂任务，还能在多变的环境中灵活应对。与 RAG 相比，Agent更专注于完成特定任务，并更注重与现有系统的融合。它不仅理解语言，还能在现实世界或数字系统中采取行动。Agent 不仅能执行复杂的多步骤任务，比如；信息检索、数据处理，还能无缝接入各种系统和 API 接口，访问用户数据，与数据库互动。

人类之所以独特，很大程度上是因为我们会使用工具。同样，作为智能体的Agent 也能借助外部工具，处理更为复杂的任务。比如：Agent 能够利用图表生成工具制作在线图表，使用天气查询工具获取天气信息。因此，Agent 是真正释放大模型潜能的关键。

因此，我们的大模型应用也将从 RAG 迈向 Agent，可以说，Agent 是 RAG 发展的必然归宿。

—4—

案例剖析

最近，阿里巴巴千问团队成功开发了一款新型 Agent（智能体），该智能体整合了 RAG 技术，旨在解析包含数百万字词的文档。尽管它仅利用了 Qwen2 大模型的 8k 上下文窗口，但其性能表现却超越了传统的 RAG 模型和长序列原生模型。

Agent 构建流程如下：

该智能体的构建涉及三个级别，每一级都是基于前一级的构建：

级别一：检索

这一级别关注的是如何识别并提取与关键词最相关的文档片段，主要分为以下三个步骤：

步骤1：区分指令信息与非指令信息

用户输入示例：“请用2000字的篇幅详细说明，我的问题是，自行车是什么时候发明的？请用英文回答。”

信息分解：{“问题内容”: [“自行车是什么时候发明的”], “指令要求”: [“2000字详细说明”, “用英文回答”]}。