RAG 架構圖解：從基礎到高級的 7 種模式

「RAG 技術通過在 AI 生成過程中引入外部知識檢索，從基礎的文檔查詢發展到多模態、Multi-Agent 體協同的智能架構，讓 AI 回答更準確、更全面」

「核心組件」

• 嵌入模型：    將文本轉換爲向量表示

• 生成模型：    負責最終的內容生成

• 重排序模型： 優化檢索結果的相關性

• 向量數據庫： 存儲和檢索向量化的內容

• 提示模板：     規範化的查詢處理模板

• AI Agent：      智能決策和任務協調

圖例 1

Naive RAG 

Naive RAG（Retrieval-Augmented Generation）是最基礎的一種架構，用於結合檢索和生成來處理複雜的任務，比如問答或內容生成。

其基本架構如下：

1. 檢索模塊（Retriever）

• 負責從知識庫（如文檔集合或數據庫）中找到與輸入查詢相關的上下文。

• 通常基於向量檢索技術，使用嵌入模型（如 Sentence Transformers 或 OpenAI Embeddings）將查詢和文檔嵌入到向量空間中，計算相似性並返回最相關的文檔。

2. 生成模塊（Generator）

• 接收用戶輸入和檢索到的上下文，生成最終的回答或內容。

• 通常使用大型語言模型（如 GPT 或 T5）來生成自然語言輸出。

3. 流程

1. 用戶輸入一個查詢（如問題）。

2. 檢索模塊從知識庫中找出與查詢相關的文檔片段。

3. 將檢索結果連同查詢一起傳遞給生成模塊。

4. 生成模塊基於上下文生成回答或內容。

特點

• 簡單高效：由於模塊化設計，容易實現和調試。

• 可擴展性強：檢索模塊和生成模塊可以獨立優化或替換。

• 存在侷限性：Naive RAG 通常假設檢索的上下文是完備的，這在知識庫更新不及時或檢索效果不佳時可能導致生成結果不準確。

應用場景

• 文檔問答：基於企業內部文檔或外部知識庫回答用戶提問。

• 內容生成：輔助生成新聞、摘要等需要結合外部信息的內容。

• 技術支持：從常見問題解答（FAQ）庫中檢索答案並生成自然語言響應。

Naive RAG 是 RAG 系列架構的起點，更復雜的變種（如使用多輪交互或強化學習優化）通常在此基礎上擴展。

Retrieve-and-rerank 

Retrieve-and-Rerank 是在基礎 RAG 架構上的增強版本，通過引入重排序（Reranking）步驟，進一步優化檢索結果的相關性。這種方法非常適合在需要高精度答案的任務中使用。

架構增強點：重排序步驟

在基礎 RAG 的檢索階段（Retriever）之後，加入一個額外的重排序模塊，以更好地篩選檢索結果，提高傳遞給生成模塊（Generator）上下文的質量。

核心流程

1. 初步檢索（Initial Retrieval）

• 檢索模塊從知識庫中找到一批初步相關的文檔（例如，前 50 個文檔）。

• 使用向量檢索（如基於餘弦相似度或歐幾里得距離）快速生成候選文檔集合。

3. 重排序（Rerank）

• 傳統方法：BM25、TF-IDF 等。

• 深度學習模型：基於 BERT 的交互式檢索模型（如 Cross-Encoder）。

• 混合方法：將檢索分數與語義模型得分結合。

• 將初步檢索到的候選文檔集合交給一個專門的重排序模型。

• 重排序模型可以是：

• 輸出一個按相關性排序的高質量文檔列表。

6. 生成模塊（Generator）

• 僅使用重排序後的前 N 個文檔作爲上下文，生成回答或內容。

• 高相關性的上下文能顯著提升生成質量。

Retrieve-and-Rerank 優勢

1. 提升檢索精度

• 初步檢索模塊通常快速但粗略，可能引入較多噪聲；重排序能更精準地選擇最相關的文檔。

3. 減少生成錯誤

• 提供高相關性上下文，避免生成模塊在不相關或錯誤信息基礎上生成答案。

5. 模塊靈活性

• 重排序模塊可以獨立優化，例如微調 BERT 模型，加入領域知識等。

7. 適配長尾查詢

• 對於少見或複雜的查詢，重排序能進一步優化初步檢索效果。

應用場景

1. 問答系統

• 在文檔問答中，Retrieve-and-Rerank 常用於優化檢索階段，確保提供與問題高度相關的上下文。

3. 推薦系統

• 在搜索和推薦場景中，重排序步驟可以顯著提高最終推薦內容的相關性和用戶滿意度。

5. 技術支持

• 從技術文檔或 FAQ 中篩選最相關的答案，減少生成模塊的錯誤回答率。

示例技術棧

• 檢索模塊

  ：FAISS、ElasticSearch、BM25 等。

• 重排序模塊

  ：BERT、MiniLM、ColBERT（使用 Cross-Encoder）等。

• 生成模塊

  ：GPT、T5、LLaMA 等。

通過這種方式，Retrieve-and-Rerank 在原始 RAG 架構的基礎上增強了檢索的相關性，顯著提升了最終生成的質量。

Multimodal RAG 

與基礎 RAG 類似，Multimodal RAG 也由檢索模塊（Retriever）和生成模塊（Generator）組成，但增強了對多模態數據的支持：

1. 多模態檢索模塊

• 能處理和索引不同模態的數據，如圖像、視頻或音頻的特徵。

• 通常利用預訓練模型將非文本模態（如圖像）轉換爲嵌入向量，存儲在統一的向量數據庫中。

• 檢索時，將用戶輸入（文本或其他模態）編碼爲嵌入向量，與數據庫中的嵌入進行匹配。

3. 多模態生成模塊

• 接受多模態的上下文，例如文本和圖像的組合。

• 利用專門設計的多模態生成模型（如 Flamingo、BLIP-2）生成回答或內容。

• 能夠根據上下文模態靈活調整生成策略。

5. 流程

6. 用戶輸入可以是文本（如問題）或其他模態（如圖像）。

7. 多模態檢索模塊找到與輸入相關的多模態上下文。

8. 將檢索結果傳遞給生成模塊，結合上下文生成多模態回答或內容。

關鍵技術點

1. 模態對齊

• 在多模態數據之間建立共同表示，例如將圖像特徵和文本特徵映射到同一個向量空間。

• 常用技術：CLIP、Align-before-Fuse、BLIP 等。

3. 模態融合

• 將檢索到的不同模態的上下文信息進行有效融合，爲生成模塊提供統一的輸入。

• 方式：早期融合（將模態特徵直接拼接）、晚期融合（分別處理後再結合）。

5. 生成模型支持

• 多模態生成需要具備同時處理文本和非文本模態的能力。

• 模型：Flamingo、BLIP-2、Visual ChatGPT 等。

Multimodal RAG 的優勢

1. 支持多種輸入類型

• 不僅可以回答文本問題，還能處理圖像相關的查詢，如 “這張圖片中的物體是什麼？”。

3. 豐富的信息來源

• 檢索和利用跨模態的信息，比如從圖片和相關描述中生成答案。

5. 增強的上下文理解

• 將文本、圖像等模態上下文結合起來，生成更精確、更有深度的內容。

7. 廣泛的應用場景

• 可用於醫學影像分析、教育、內容創作等需要多模態數據結合的任務。

應用場景

1. 多模態問答

• 結合文本和圖像回答問題，例如 “這張 X 光片有什麼異常？”

3. 圖像描述生成

• 爲圖像生成自然語言描述，適用於教育或輔助工具。

5. 跨模態搜索

• 用戶輸入文本，系統從圖像庫中檢索相關圖像（或反之）。

7. 醫療診斷

• 結合醫學文本和影像數據，生成診斷報告或建議。

9. 內容生成

• 從視頻或音頻中提取關鍵信息並生成摘要或分析報告。

技術實現示例

1. 檢索模塊

• 圖像：使用 CLIP、DINO 等模型提取圖像特徵。

• 文本：使用 Sentence Transformers 或 OpenAI Embeddings。

3. 生成模塊

• 使用多模態生成模型，如 Flamingo、BLIP-2、Visual ChatGPT 等。

5. 數據庫

• 存儲跨模態嵌入的向量數據庫，如 FAISS、Weaviate。

通過 Multimodal RAG，可以實現複雜的跨模態任務，爲各種應用提供更強大的解決方案。

Graph RAG

Graph RAG 是對基礎 RAG 架構的一種擴展，通過引入圖數據庫 來增強知識點之間的關聯和文檔間關係的理解。這種架構不僅提高了檢索的精準性，還能更好地利用知識的上下文和結構化信息。

Graph RAG 架構

Graph RAG 的核心思想是在知識檢索過程中利用圖數據庫（如 Neo4j、TigerGraph）來存儲和管理數據。通過將文檔、實體和它們之間的關係建模爲圖結構，可以更高效地處理複雜的知識連接和語義關係。

核心模塊

1. 圖數據庫（Graph Database）

• 圖數據庫存儲文檔及其結構化關係（節點和邊），提供上下文的關係視圖。

• 節點：可以表示實體（如人名、地名）、文檔或知識片段。

• 邊：表示節點之間的關係（如 “引用”“從屬”“因果” 等）。

3. 檢索模塊（Graph-based Retriever）

• 查詢不僅基於文檔內容，還利用圖的結構進行關係推理。

• 可通過圖查詢語言（如 Cypher）實現複雜的知識檢索。

5. 生成模塊（Generator）

• 將檢索到的多層次上下文（文檔和其相關節點）輸入到生成模型。

• 生成模型結合圖關係信息，生成更精準、更上下文相關的輸出。

Graph RAG 工作流程

1. 知識建模

• 文檔：“愛因斯坦提出了相對論。”

• 節點：愛因斯坦、相對論

• 邊：提出

• 從知識庫或文檔集合中提取實體、關係和文本內容，構建圖數據庫。

• 示例：

5. 用戶查詢

• 用戶輸入問題，如 “相對論的提出者是誰？”。

• 將查詢轉換爲圖查詢（例如，搜索與 “相對論” 相關的節點和邊）。

7. 圖查詢

• 檢索與用戶問題相關的子圖，例如 “相對論” 節點及其直接連接的節點和關係。

9. 上下文擴展

• 將檢索到的子圖中的信息轉化爲文本上下文，並傳遞給生成模塊。

11. 內容生成

• 生成模塊結合用戶問題和擴展上下文，生成自然語言回答。

Graph RAG 的優勢

1. 知識點間關係的深度挖掘

• 通過圖結構，捕捉文檔或知識點之間的複雜關係（如層次關係、因果關係等），提高檢索結果的質量。

3. 上下文的精準擴展

• 在檢索階段，圖數據庫可以幫助找到更相關的上下文，而不僅僅依賴向量相似性。

5. 增強推理能力

• 利用圖的結構化數據，可以進行關係推理，例如多跳檢索（從一個節點找到間接相關的節點）。

7. 動態更新與維護

• 圖數據庫支持動態更新，易於在知識庫擴展時維護新數據的關係。

Graph RAG 應用場景

1. 複雜問答

• 需要跨文檔或跨實體推理的問答任務，如法律問答或科技文獻分析。

3. 知識管理

• 在企業或科研機構中，利用圖數據庫管理和查詢大量關聯文檔或研究成果。

5. 內容推薦

• 基於用戶查詢，利用圖關係推薦相關內容或擴展知識。

7. 因果推理

• 在科學或工程領域，回答因果關係複雜的問題（如 “某實驗的結果受到哪些因素的影響？”）。

示例技術棧

1. 圖數據庫

• Neo4j、TigerGraph、ArangoDB 等。

3. 關係提取

• 使用 NLP 模型提取實體和關係（如 spaCy、OpenIE、REBEL）。

5. 生成模型

• GPT 系列、T5、BART 等。

7. 檢索與查詢

• 使用 Cypher 查詢語言或專門的圖查詢 API。

Graph RAG 將知識管理和自然語言生成相結合，利用圖數據庫強大的關係建模能力，大幅提升了文檔間關係的理解和複雜問題的解決能力。

Hybrid RAG 

Hybrid RAG 結合了多種技術的優勢，包含圖結構和傳統檢索方法

Graph RAG 是對基礎 RAG 架構的一種擴展，通過引入圖數據庫 來增強知識點之間的關聯和文檔間關係的理解。這種架構不僅提高了檢索的精準性，還能更好地利用知識的上下文和結構化信息。

Graph RAG 架構

Graph RAG 的核心思想是在知識檢索過程中利用圖數據庫（如 Neo4j、TigerGraph）來存儲和管理數據。通過將文檔、實體和它們之間的關係建模爲圖結構，可以更高效地處理複雜的知識連接和語義關係。

核心模塊

1. 圖數據庫（Graph Database）

• 圖數據庫存儲文檔及其結構化關係（節點和邊），提供上下文的關係視圖。

• 節點：可以表示實體（如人名、地名）、文檔或知識片段。

• 邊：表示節點之間的關係（如 “引用”“從屬”“因果” 等）。

3. 檢索模塊（Graph-based Retriever）

• 查詢不僅基於文檔內容，還利用圖的結構進行關係推理。

• 可通過圖查詢語言（如 Cypher）實現複雜的知識檢索。

5. 生成模塊（Generator）

• 將檢索到的多層次上下文（文檔和其相關節點）輸入到生成模型。

• 生成模型結合圖關係信息，生成更精準、更上下文相關的輸出。

Graph RAG 工作流程

1. 知識建模

• 文檔：“愛因斯坦提出了相對論。”

• 節點：愛因斯坦、相對論

• 邊：提出

• 從知識庫或文檔集合中提取實體、關係和文本內容，構建圖數據庫。

• 示例：

5. 用戶查詢

• 用戶輸入問題，如 “相對論的提出者是誰？”。

• 將查詢轉換爲圖查詢（例如，搜索與 “相對論” 相關的節點和邊）。

7. 圖查詢

• 檢索與用戶問題相關的子圖，例如 “相對論” 節點及其直接連接的節點和關係。

9. 上下文擴展

• 將檢索到的子圖中的信息轉化爲文本上下文，並傳遞給生成模塊。

11. 內容生成

• 生成模塊結合用戶問題和擴展上下文，生成自然語言回答。

Graph RAG 的優勢

1. 知識點間關係的深度挖掘

• 通過圖結構，捕捉文檔或知識點之間的複雜關係（如層次關係、因果關係等），提高檢索結果的質量。

3. 上下文的精準擴展

• 在檢索階段，圖數據庫可以幫助找到更相關的上下文，而不僅僅依賴向量相似性。

5. 增強推理能力

• 利用圖的結構化數據，可以進行關係推理，例如多跳檢索（從一個節點找到間接相關的節點）。

7. 動態更新與維護

• 圖數據庫支持動態更新，易於在知識庫擴展時維護新數據的關係。

Graph RAG 應用場景

1. 複雜問答

• 需要跨文檔或跨實體推理的問答任務，如法律問答或科技文獻分析。

3. 知識管理

• 在企業或科研機構中，利用圖數據庫管理和查詢大量關聯文檔或研究成果。

5. 內容推薦

• 基於用戶查詢，利用圖關係推薦相關內容或擴展知識。

7. 因果推理

• 在科學或工程領域，回答因果關係複雜的問題（如 “某實驗的結果受到哪些因素的影響？”）。

示例技術棧

1. 圖數據庫

• Neo4j、TigerGraph、ArangoDB 等。

3. 關係提取

• 使用 NLP 模型提取實體和關係（如 spaCy、OpenIE、REBEL）。

5. 生成模型

• GPT 系列、T5、BART 等。

7. 檢索與查詢

• 使用 Cypher 查詢語言或專門的圖查詢 API。

Graph RAG 將知識管理和自然語言生成相結合，利用圖數據庫強大的關係建模能力，大幅提升了文檔間關係的理解和複雜問題的解決能力。

Agentic RAG Router 

Agentic RAG Router 使用 AI Agent 來路由和處理查詢，可以選擇最適合的處理路徑

Agentic RAG Router 是一種更高級的 Retrieval-Augmented Generation (RAG) 架構，通過引入 AI Agent 作爲路由器，根據用戶的查詢動態選擇最合適的處理路徑或模塊。它在複雜、多任務場景中具有明顯優勢，因爲不同查詢可能需要不同的數據源或處理邏輯。

Agentic RAG Router 架構

Agentic RAG 的核心是一個智能路由器（Agent），負責理解用戶查詢並決定如何處理。整個系統通常由以下模塊組成：

1. AI Router (Agent)

• 使用大型語言模型（如 GPT 或其他 LLM）作爲路由器，分析查詢的意圖和類型。

• 基於查詢選擇最合適的檢索模塊和生成模塊。

• 可以動態配置執行邏輯，比如調用特定知識庫或外部 API。

3. 多檢索模塊

• 文本檢索：文檔、FAQ。

• 圖像檢索：視覺數據庫。

• 圖數據庫：複雜關係推理。

• 不同的檢索模塊可以處理不同的數據源或模態：

• Router 決定調用哪種檢索模塊或多模塊組合。

6. 多生成模塊

• 自然語言生成（文本）。

• 圖像生成或描述（視覺）。

• 表格生成或數據分析（結構化數據）。

• 針對不同任務優化的生成模塊：

9. 執行路徑

• 直接回答（無需檢索）。

• 檢索後回答（RAG 流程）。

• 調用外部工具或 API（如計算器或代碼執行器）。

• Router 分析用戶查詢，可能的處理路徑包括：

工作流程

1. 用戶查詢

• “這張圖片中的內容是什麼？”

• “幫我從文檔中找出關於技術趨勢的摘要。”

• 用戶輸入問題或任務描述，例如：

4. 路由決策

• 任務分類：問答、生成、推理等。

• 數據模態識別：文本、圖像、表格等。

• 優化目標：速度優先或準確性優先。

• Router 分析查詢的意圖和模態，可能包含：

7. 模塊選擇

• 文本問答：調用文本檢索模塊 + GPT 生成模塊。

• 圖像問答：調用圖像嵌入模型（如 CLIP） + 圖像描述生成模塊。

• 多模態組合：同時調用文本和圖像檢索模塊，結合生成。

• 根據分析結果，Router 調用最適合的檢索模塊和生成模塊。

• 示例：

10. 內容生成

• 通過生成模塊輸出結果，可能是單一模態的回答，也可能是多模態結合的內容。

Agentic RAG 的優勢

1. 動態任務適配

• Router 能根據不同任務動態調整執行路徑，無需固定流程，適合複雜場景。

3. 多模態支持

• 通過靈活調用不同模態的模塊（文本、圖像、視頻等），支持更廣泛的應用場景。

5. 智能資源管理

• 僅在需要時調用複雜模塊，優化資源利用效率（如避免在簡單問題上使用冗餘計算）。

7. 增強用戶體驗

• 通過選擇最適合的路徑，提供高質量、個性化的回答。

應用場景

1. 多任務問答系統

• 支持用戶提出多模態、多領域問題，並動態調整處理邏輯。

3. 企業知識管理

• 在大規模知識庫中，針對不同問題選擇最相關的數據源和處理方法。

5. 醫療輔助

• 動態調用醫學圖像分析模塊、文獻檢索模塊或診斷生成模塊。

7. 教育與內容生成

• 根據學生的問題選擇合適的資料來源並生成解釋。

9. 自動化工作流

• 處理複雜查詢時，調用外部工具（如計算器、翻譯器、編程執行器）完成多步驟任務。

技術實現示例

1. Router

• 使用大型語言模型（如 OpenAI GPT 系列、Claude、LLaMA）微調，理解用戶意圖。

3. 檢索模塊

• 文本：FAISS、ElasticSearch。

• 圖像：CLIP、DINO。

• 圖數據庫：Neo4j。

5. 生成模塊

• 文本生成：T5、BART、GPT。

• 圖像生成：DALLE-2、Stable Diffusion。

• 數據生成：Pandas、NumPy。

7. 執行引擎

• 調用工具鏈（如 LangChain）動態組織不同模塊的調用。

Agentic RAG Router 的靈活性使其成爲解決複雜問題的強大工具。通過將智能路由與強大的檢索和生成能力相結合，它可以顯著提升處理多模態、多任務場景的效率和準確性。

Agentic RAG Multi-Agent

Agentic RAG Multi-Agent 使用多個專門的 AI Agent 協同工作，可以調用不同的工具（如向量搜索、網頁搜索、Slack、Gmail 等）

Agentic RAG Multi-Agent 是 Retrieval-Augmented Generation (RAG) 的進一步進化版本，它引入多個專門的 AI Agent，每個 Agent 負責不同的任務或工具調用。通過這些 Agent 的協同工作，系統能夠在複雜、多源數據環境中靈活高效地處理任務，比如同時檢索向量數據庫、執行網頁搜索、查詢第三方 API，甚至與工具（如 Slack、Gmail）交互。

Agentic RAG Multi-Agent 架構

Agentic RAG Multi-Agent 的核心特性是多個專用 Agent 的協作，每個 Agent 可以完成特定任務或調用特定工具。整個系統由以下組件組成：

1. Central Orchestrator (主控 Agent)

• 作爲中央調度器，負責解析用戶意圖、分派任務，並整合多個 Agent 的輸出。

• 主控 Agent 可以使用 LLM（如 GPT-4）來執行復雜的任務規劃和路由。

3. 專用 AI Agent

• 向量搜索 Agent：從向量數據庫中檢索相關內容。

• 網頁搜索 Agent：實時從互聯網獲取最新信息。

• 通信工具 Agent：與 Slack、Gmail 等進行交互。

• 數據處理 Agent：處理結構化數據（如表格或數據庫查詢）。

• 模態特定 Agent：如圖像分析、語音識別等。

• 每個 Agent 負責特定類型的任務或工具，例如：

6. 工具與數據接口

• 每個 Agent 可調用專用工具或 API，比如向量檢索工具（FAISS）、Web 搜索引擎（如 Google API）、生產力工具（Slack、Notion）。

8. 輸出整合模塊

• 主控 Agent 收集和整合來自各 Agent 的結果，將最終答案以自然語言或多模態形式輸出給用戶。

工作流程

1. 用戶輸入

• “幫我分析這份文件的摘要，並用郵件發送給團隊。”

• “找出過去一週相關的行業趨勢，並通知 Slack 頻道。”

• 用戶提出一個複雜的請求，例如：

4. 任務分解

• 提取摘要：調用向量檢索 Agent 或文本處理工具。

• 搜索趨勢：調用網頁搜索 Agent。

• 發送通知：調用 Slack 或 Gmail Agent。

• 主控 Agent 將任務分解爲子任務：

7. 任務分配

• 主控 Agent 將子任務分派給相關專用 Agent，按優先級並行處理。

9. 執行任務

• 專用 Agent 調用相應工具或接口完成任務，返回結果。

11. 整合與反饋

• 主控 Agent 收集所有 Agent 的結果，整合爲用戶可以理解的最終輸出。

Agentic RAG Multi-Agent 的優勢

1. 模塊化設計

• 各 Agent 獨立工作，便於擴展和優化。例如，可新增圖像處理 Agent 或語音處理 Agent。

3. 多任務並行處理

• 多個 Agent 可並行運行，大幅提高複雜任務的處理效率。

5. 工具支持廣泛

• 能調用多種工具和 API，覆蓋從數據檢索到內容生成、任務執行等全流程。

7. 動態任務適配

• 主控 Agent 可根據任務動態調整執行路徑和 Agent 調用順序。

9. 複雜任務自動化

• 能自動化執行跨工具、跨數據源的多步驟任務，例如從檢索數據到生成報告併發送通知。

應用場景

1. 企業知識管理

• 檢索企業文檔、結合網頁搜索實時更新信息，並將結果發送至團隊協作工具（如 Slack）。

3. 內容創作與分發

• 從向量數據庫中檢索素材，生成文章或報告，並分發至郵箱或內容管理系統。

5. 多模態問答

• 同時調用文本、圖像和視頻分析 Agent，生成多模態回答。

7. 實時數據分析

• 從網頁和內部數據庫中收集實時數據，生成趨勢分析報告。

9. 個人助理

• 處理日常任務，如查看郵件、管理日程、設置提醒等。

11. 複雜客戶支持

• 檢索 FAQ、結合網頁搜索和實時工具調用，爲用戶提供高質量的支持。

示例技術棧

1. 主控 Agent

• 使用 GPT 系列或其他大型語言模型。

3. 專用 Agent

• 向量檢索：FAISS、Weaviate。

• 網頁搜索：Google API、Bing Search API。

• 通信工具：Slack API、Gmail API。

• 數據分析：Pandas、NumPy。

5. 協作框架

• LangChain：支持 Agent 編排。

• Tools SDK：實現與外部工具的接口。

示例場景：行業趨勢通知

用戶輸入： “幫我從數據庫和互聯網找出過去一週的行業趨勢，並用摘要發郵件給團隊。”

系統執行：

1. 主控 Agent 分解任務：

• 檢索數據庫：調用向量搜索 Agent。

• 搜索互聯網：調用網頁搜索 Agent。

• 生成摘要：調用文本生成 Agent。

• 發送郵件：調用 Gmail Agent。

3. 各 Agent 獨立工作並返回結果：

• 向量搜索 Agent：檢索內部數據庫的行業報告。

• 網頁搜索 Agent：爬取過去一週的行業新聞。

• 文本生成 Agent：將數據整合爲摘要。

• Gmail Agent：將摘要發送給團隊。

5. 主控 Agent 整合結果並完成任務。

通過 Agentic RAG Multi-Agent，複雜任務可以自動化完成，顯著提升效率和用戶體驗，尤其在需要跨模態、跨工具協作的場景中表現尤爲出色。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/v8Dd4mQmaemxpOyrrI7o6g