RAG能否进一步抽象成Agent？关于RAG系统构建的一些想法

于 2024-08-26 17:23:35 发布
阅读量151 收藏 1
点赞数 7
分类专栏： 大模型 文章标签： ai 人工智能
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/u011160113/article/details/141569234
版权

        最近在不断地学习RAG相关的知识，这个学习过程中对于RAG的认知也在不断地改变。这篇文章主要记录一些当前最新的想法。

        在之前的学习过程中，我们了解到一次RAG查询的基本工作流程如下：

        在这个过程中，在将查询提交给大模型之前，会使用构建好的索引库来找到关联的上下文信息，并将整合后的结果提交给生成器去做生成。但我觉得这个过程其实可以进一步抽象：

        这里使用了一个隐式的LLM(方便理解后续Agent的抽象）。可以看到此时的查询过程为：由LLM决策，使用检索工具进行检索，然后将检索工具的返回结果和查询再次交给大模型判断，此时大模型的不再调用工具，而是生成答案，返回最终结果。对上图做下简单的调整，可以得到如下所示：

        将检索内容抽象为工具，那么RAG的查询流程就可以抽象为这样的流程。如果对Agent较熟悉的话，可以看出这其实就是一个Ag

最低0.47元/天 解锁文章
风生水气
关注
  • 7
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
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
08-09 191
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
【大模型应用开发 动手做AI Agent】LlamaIndex和基于RAG的AI开发
禅与计算机程序设计艺术
05-27 673
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。
基于 Llama-Index、Llama 3 和 Qdrant，构建一个 RAG 问答系统！
python122_的博客
07-21 575
RAG = 密集向量检索（R）+上下文学习（AG）检索：为您的文档中提出的问题查找参考资料。增强：将参考资料添加到您的提示中。生成：改进对所提出的问题的回答。在RAG中，我们通过将文本文档或文档片段的集合编码为称为向量嵌入的数值表示来处理它们。每个向量嵌入对应于一个单独的文档片段，并存储在一个称为向量存储的数据库中。负责将这些片段编码为嵌入的模型称为编码模型或双编码器。这些模型在广泛的数据集上进行了训练，使它们能够为文档片段创建强大的表示形式，即单个向量嵌入。
【LLM大模型】基于LangChain构建RAG应用
2301_81888214的博客
07-09 995
【LLM大模型】基于LangChain构建RAG应用
如何优化RAG系统的性能表现？10条实用策略
Langchain的博客
05-16 523
如何优化RAG系统的性能表现？10条实用策略
RAG原理、综述与应用全解析【万字长文】
狮子座明仔知识集散场
04-03 5792
1.1 定义检索增强生成 (Retrieval-Augmented Generation, RAG) 是指在利用大语言模型回答问题之前，先从外部知识库检索相关信息。早在2020年就已经有人提及RAG的概念（paper：Retrieval-augmented generation for knowledge-intensive nlp tasks），首版发布在arxiv于2020年5月，当年还是seq2seq的时代，但实验就已经发现，通过检索，能快速从海量知识中找到和原本问题相关的知识，借助知识带来的信息能提
基于LangChain构建RAG应用
极限突破者的博客
06-27 1244
Hello，大家好，我是GISer Liu😁，一名热爱AI技术的GIS开发者，上一篇文章中我们详细介绍了RAG的核心思想以及搭建向量数据库的完整过程；😲将LLM接入LangChain：选择LLM，然后在LangChain中使用；构建检索问答链：使用语法构建RAG问答链部署知识库助手：使用streamlit部署项目；帮助读者快速构建RAG应用并部署在阿里云服务器上；Streamlit是一个开源的 Python 库，它使得数据科学家和开发者能够快速构建和共享美观的机器学习模型和数据应用程序。使用。
基于Llama Index构建RAG应用(Datawhale AI 夏令营)
极限突破者的博客
07-18 1191
我是GISer Liu😁，一名热爱AI技术的GIS开发者，本文参与活动是2024 DataWhale AI夏令营；😲Gradio、Streamlit和LlamaIndex介绍LlamaIndex 构建RAG应用LlamaIndex 结合 Streamlit 构建RAG Web应用这三个章节，冲LLM开发的理论基础知识开始学习，尝试软件框架的使用方法，最后通过RAG实践案例帮助读者入门本次AI夏令营的LLM应用开发；一起加油！！！😍😍😍
月之暗面对谈 Zilliz：长文本和 RAG 如何选择？
python12345_的博客
08-13 619
涉及数值计算以及Text2SQL的选择​。
基于rag的知识库问答系统
07-25
基于rag的知识库问答系统
使用Ollama和LangChain构建本地RAG系统
06-29
使用Ollama和LangChain构建本地RAG系统
LlamaIndex 创始人 Jerry Liu 介绍 RAG、Agent 痛点以及解决方法
07-14
LlamaIndex 创始人 Jerry Liu 介绍 RAG、Agent 痛点以及解决方法
RAG-基于LangChain+ChatGLM-6B+本地知识库搭建的RAG智能问答系统-附项目源码+流程教程-优质项目实战
07-30
RAG_基于LangChain+ChatGLM-6B+本地知识库搭建的RAG智能问答系统_附项目源码+流程教程_优质项目实战
RAG本地离线训练自己的ChatPDF
02-05
RAG训练用PDF样例（太平洋金诺人生保险条款）
【小迪安全笔记V2022】信息打6~8
最新发布
2202_75354817的博客
08-25 502
小迪安全学习笔记
透明性和解释性AI：概念与应用
weixin_49007164的博客
08-25 682
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生的解释。解释性AI的目标是帮助用户理解AI的行为，尤其是当AI的决策与预期不符时，提供合理的解释来消除用户的疑虑。
零基础学习人工智能—Python—Pytorch学习（六）
kiba518的博客
08-21 958
前言 本文主要讲神经网络的上半部分。 这篇文章开始有很多公式了，这些公式都很简单，但是如果是不经常在脑海里思考公式的人，那可能需要多花点时间做一下自我训练，个人感觉，也就几天时间，就能把自己感觉给调整出来。 习惯了公式看下面内容就会轻松很多，另外如果要深入学习人工智能，熟练的认知公式也是个必须的事情。 另外，我发现我前面文章写的有歧义的地方还是挺多，虽然，已经改了一部分，但，可能还有没发现的，大...
yolov8 出现loss 为nan
zhaoluruoyan89的博客
08-21 330
这篇博客警示读者在购买用于深度学习的显卡时要避开那些导致RuntimeWarning: All-NaN slice encountered的问题。作者强调这些Tensor核心存在严重缺陷，不适宜进行深度学习任务，建议大家在选购时务必谨慎。方法二：将混合精度训练AMP 设置为False。方法一：降低cuda和pytorch 版本号。
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

打赏作者

风生水气

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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