什么是Agentic RAG？

最新推荐文章于 2024-09-13 21:31:56 发布
最新推荐文章于 2024-09-13 21:31:56 发布
阅读量877 收藏 11
点赞数 18
文章标签： AI-native llama 百度 opencv 人工智能 机器学习 自然语言处理
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/mama19971023/article/details/140877842
版权

Agentic RAG是检索增强生成(Retrieval-Augmented Generation, RAG)技术的一种高级形式,它通过引入人工智能代理(Agent)的概念,为语言模型赋予了更高层次的智能和自主性。以下是Agentic RAG的主要特点和优势:

动态编排机制:

Agentic RAG引入了Agent的动态编排机制,可以根据用户提问的不同意图,灵活地调整检索和生成策略。这使得系统能够处理更复杂的查询和多步推理任务。

反馈和查询改写:

与简单RAG相比,Agentic RAG能够进行反馈和查询改写。当检索结果不满足要求时,系统可以自主地改写查询并重新检索,直到获得满意的结果。

多跳式知识推理:

Agentic RAG具备"多跳"式的知识推理能力,这使得它能够处理需要多个步骤或多个信息源的复杂问题。

自适应策略:

根据查询的复杂度和类型,Agentic RAG可以采用不同的策略。例如,对于简单查询可能直接使用语言模型回答,而对于复杂查询则可能采用多步检索和推理。

任务编排系统:

Agentic RAG通常基于图(Graph)的任务编排系统实现。这种系统允许复用已有的流程、与外部工具协作,以及进行复杂的查询任务规划。

反思机制:

Agentic RAG引入了反思机制,使系统能够评估自身的输出并进行必要的调整。这是实现高级推理和问题解决能力的关键。

广泛应用场景:

Agentic RAG在多个领域都有潜在的应用,包括文档摘要、客户服务支持、文献研究、法律和医疗咨询,以及高质量内容生成等。

Agentic RAG代表了信息处理方式的一次重要变革。通过引入智能代理的概念,它使RAG系统从被动的响应者转变为主动的调查员,能够更好地处理复杂查询、进行多步推理,并提供更全面、准确的答案。这种技术的发展为创建更智能、更有适应性的AI系统开辟了新的可能性。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享]👈

​在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

在这里插入图片描述

四、AI大模型商业化落地方案

img

阶段1：AI大模型时代的基础理解
  • 目标：了解AI大模型的基本概念、发展历程和核心原理。
  • 内容：
    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
      - L1.4.1 知识大模型
      - L1.4.2 生产大模型
      - L1.4.3 模型工程方法论
      - L1.4.4 模型工程实践
    • L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
  • 内容：
    • L2.1 API接口
      - L2.1.1 OpenAI API接口
      - L2.1.2 Python接口接入
      - L2.1.3 BOT工具类框架
      - L2.1.4 代码示例
    • L2.2 Prompt框架
      - L2.2.1 什么是Prompt
      - L2.2.2 Prompt框架应用现状
      - L2.2.3 基于GPTAS的Prompt框架
      - L2.2.4 Prompt框架与Thought
      - L2.2.5 Prompt框架与提示词
    • L2.3 流水线工程
      - L2.3.1 流水线工程的概念
      - L2.3.2 流水线工程的优点
      - L2.3.3 流水线工程的应用
    • L2.4 总结与展望
阶段3：AI大模型应用架构实践
  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
  • 内容：
    • L3.1 Agent模型框架
      - L3.1.1 Agent模型框架的设计理念
      - L3.1.2 Agent模型框架的核心组件
      - L3.1.3 Agent模型框架的实现细节
    • L3.2 MetaGPT
      - L3.2.1 MetaGPT的基本概念
      - L3.2.2 MetaGPT的工作原理
      - L3.2.3 MetaGPT的应用场景
    • L3.3 ChatGLM
      - L3.3.1 ChatGLM的特点
      - L3.3.2 ChatGLM的开发环境
      - L3.3.3 ChatGLM的使用示例
    • L3.4 LLAMA
      - L3.4.1 LLAMA的特点
      - L3.4.2 LLAMA的开发环境
      - L3.4.3 LLAMA的使用示例
    • L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
  • 内容：
    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景
学习计划：
  • 阶段1：1-2个月，建立AI大模型的基础知识体系。
  • 阶段2：2-3个月，专注于API应用开发能力的提升。
  • 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
  • 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享👈

​在这里插入图片描述

AIGC大模型 吱屋猪
关注
本地电脑大模型系列之 16 使用 LangGraph 和 Llama 3 的本地 Agentic RAG (教程含源码)
iCloudEnd的博客
07-30 57
语言模型本身无法采取行动——它们只是输出文本。代理是使用 LLM 作为推理引擎的系统，用于确定要采取哪些行动以及要传递哪些输入。执行行动后，结果可以传回 LLM，以确定是否需要采取更多行动或是否可以完成。它们可用于执行诸如搜索网页、浏览电子邮件、纠正 RAG 以在检索到的文档上添加自我反思或自我评分等操作。设置LangGraph—— Langchain 的扩展，旨在通过将步骤建模为图中的边和节点，使用 LLM 构建健壮且有状态的多参与者应用程序。
【大模型应用开发 动手做AI Agent】LlamaIndex和基于RAG的AI开发
AI架构设计之禅
07-19 550
【大模型应用开发 动手做AI Agent】LlamaIndex和基于RAG的AI开发 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：LlamaIndex，Retrieval Augmente
一文读懂 Agentic RAG 数据检索范式
m0_59163425的博客
07-13 1120
通常来讲，我们可以一句话对其进行概括，‍Agentic RAG，即“基于代理“的 RAG 实现。基于代理的检索增强生成（Agentic RAG）技术通过引入创新的代理框架，彻底改变了我们回答复杂问题的方式。与传统上完全依赖 LLM（大型语言模型）的方法不同，Agentic RAG 利用智能化代理来高效解决那些需要复杂规划、多步骤推理和利用外部工具的棘手问题。在 Agentic RAG 体系结构中，智能代理扮演着关键角色。如同熟练的研究员，善于灵活运用各种策略和工具来全面探索并深入挖掘信息。
深入探讨Agentic RAG（A-RAG）
安静的软件工程师
03-21 1367
深入探讨Agentic RAG（A-RAG）
Agentic RAG 与图任务编排
RPA中国
06-19 911
边定义了节点间的连接和数据流。另一方面， RAGFlow 也在不断完善各类查询规划算子以简化 Agentic RAG 以及基于 Agentic RAG 的各类 Agent 应用的开发过程，真正从端到端解决企业级 RAG 应用的各类痛点。一部分简单场景下，朴素的 RAG 已经可以满足用户意图明确的场景的要求，因为答案已经包含在检索出来的结果中，只要交给 LLM 即可。如下图所示，Adaptive-RAG 的工作流程与 Self-RAG 类似，只是在前面增加了一个查询分类器，就提供了更多种对话的策略选择。
推荐一款企业级的Agentic RAG应用框架——RAGapp
gitblog_00048的博客
05-28 522
推荐一款企业级的Agentic RAG应用框架——RAGapp ragappThe easiest way to use Agentic RAG in any enterprise项目地址:https://gitcode.com/gh_mirrors/ra/ragapp 项目简介 RAGapp是一个简单易用的企业级框架，它将OpenAI自定义GPTs的配置便利性与Docker容器化的部署方式相...
1.8k Star！RAGApp：在任何企业中使用 Agentic RAG 的最简单方法！
lythinking的博客
05-31 648
* RAGApp ** ，顾名思义，就是一个开源的 RAG 应用程序，可以让你和 PDF、DOC、电子表格等文档聊天。启动容器后，在浏览器中访问 http://localhost:8000/admin 来配置 RAGapp。代理，比如财务代理、股票代理、编码代理、一般聊天代理等等。配置起来与OpenAI 的自定义GPTs一样简单，但可以使用 Docker 在你自己的云基础架构中部署。注意 : 在开发过程中查看管理 UI，请访问 http://localhost:3000/admin。
带有LlamaIndex的主动RAG 主动RAG的主题探讨了如何将代理程序整合到现有的RAG流水线中，以实现增强的对话式搜索和检索
数智笔记
02-23 858
考虑下面的架构，可以明显看出主动RAG是如何创建一个易于扩展的实现的。每次添加新的文档时，都会由一个子代理程序来管理新的集合。LlamaIndex的方法Agentic RAG的基本结构如下图所示，其中大量的文档被摄取，本例中限制为100个。大量的数据语料被分成较小的文档。为每个文档创建一个代理，每个文档代理都具有通过嵌入进行搜索和总结响应的能力。在文档代理集合上创建一个顶级代理。元代理/顶级代理执行工具检索，然后使用思维链来回答用户的问题。
Corrective RAG：高级RAG新范式
安静的软件工程师
02-27 1761
Corrective RAG：高级RAG新范式
百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索
丨汀、的博客
07-08 311
百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索
使用 HuggingFace Transformers Agent 构建AI代理检索增强生成 (RAG)
php源码
07-31 601
传统 RAG 设置标准 RAG大型语言模型 (LLM) 经过训练可以执行因果语言建模，可以处理各种任务，但它们通常在逻辑、计算和搜索等基本任务上遇到困难。当在它们表现不佳的领域提出问题时，它们通常无法生成我们期望的答案。这就是检索增强生成发挥作用的地方。在传统的 RAG 设置中，用户查询通过基于语义的相似性搜索运行，该搜索从知识库中寻找最相关的块。然后将增强的上下文传递给 LLM 以合成响应，然后将最终答案呈现给用户。但是如果提出的问题模棱两可、不太清楚或问法不当，会发生什么情况呢？
手把手教你构建Agentic RAG：一种基于多文档RAG应用的AI Agent智能体
2401_85782600的博客
09-07 669
经典RAG应用的范式与架构已经非常流行，你甚至可以在很短的时间内借助成熟框架开发一个简单能用的RAG应用：用户问题被输入RAG、应用执行检索、从被向量化的文档中检索相关知识块、送入到LLM（大语言模型）进行合成响应：
企业为什么采用 Agentic RAG？
RA AI衍生者训练营的博客
07-01 518
本文讨论了传统检索增强生成 (RAG) 模型在企业环境中的局限性。
AI教程_AI大模型 Prompt提示词工程 Langchain AI原生应用开发视频教程分享（IT营）
yuanlaile的博客
09-11 1236
培养「AI 全栈」人才，通过这门课程的学习，我们能够全面掌握Prompt Engineering(Prompt提示词工程)、AI编程、AI大模型应用开发、AI大模型后端开发、AI大模型微调、AI大模型数据训练、AI大模型知识库管理、AI大模型数据管理、AI大模型评估、搭建自己的AI私有大模型等AI技术栈，同时培养编程能力和业务洞察力，以成为AGI（通用人工智能）时代所需的全能型AI工程师。
大模型入门3:理解LLAMA
最新发布
yuetan的博客
09-13 552
【代码】大模型入门3:理解LLAMA。
小琳AI课堂：LLaMA 3.1 开源大模型的全新里程碑
wx740851326的博客
09-12 766
本期的小琳AI课堂就到这里，希望对大家有所启发和帮助！如果对LLaMA模型还有更多的好奇和问题，欢迎继续提问哦！🌈👋。
llama网络结构及源码
靓仔沾点健忘症，写给时间下游的自己
09-12 1012
模型初始化、tokenizer、位置编码、mask、模型前向传播，生成下一分词的循环过程
Llama 3.1 大模型指令微调提升中文能力
听雨草堂
09-12 423
Llama 3.1 是一个通用的大型语言模型，尽管它在多种语言上进行了训练，但在某些特定语言（如中文）上的表现可能不如专门针对该语言进行优化的模型。通过指令微调，可以提高模型在处理中文文本时的理解和生成能力。对于某些领域（如医疗、法律、科技等），可能存在大量的中文专业术语和特定表达。通过指令精调，可以让模型更好地理解和生成这些领域的中文内容。通用大模型Llama 3.1 在中文评测数据集C-Eval、CMMLU 上表现不佳，通过精调可以针对特定任务进行优化，提升模型在这些任务上的性能。
langchain基于什么程序语言？
12-21
根据提供的引用内容，langchain是一种语言模型，它的最大特色是数据感知（Be data-aware）和主动性（Be agentic）。它赋予语言模型主动与环境交互的能力，可以主动提出问题、请求进一步的信息或反馈，与用户或环境进行双向的对话和交互。关于langchain基于什么程序语言，引用中没有提到具体的程序语言信息。因此，无法回答这个问题。
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