傳統 RAG 與 Agentic RAG 對比

在人工智能快速發展的當下，大語言模型（LLM）技術取得了顯著進步，但也面臨諸多挑戰。檢索增強生成（RAG）技術應運而生，爲提升語言模型性能提供了新途徑。不過，傳統 RAG 存在一定侷限，而 Agentic RAG 則試圖突破這些瓶頸，帶來更強大的功能體驗。本文將探究二者的差異。

1. 傳統 RAG 的困境

傳統 RAG 的工作流程主要包括：先將文檔進行編碼，通過嵌入模型轉化爲向量形式存儲在數據庫中。當接收到用戶查詢時，對查詢進行編碼，然後在數據庫中進行相似度搜索，找到最相似的文檔，將其作爲上下文信息與查詢一起構建提示（Prompt），最後輸入到 LLM 中生成回答。看似流暢的流程，卻隱藏着不少問題。

• 單次檢索生成的侷限：傳統 RAG 僅進行一次檢索和生成。在實際應用中，如果初始檢索到的上下文信息不足，它無法根據需求動態搜索更多信息。比如，當用戶詢問一個涉及多領域交叉的複雜問題時，一次檢索獲取的內容可能只是問題的冰山一角，難以全面準確地回答問題。

• 推理能力短板：面對複雜查詢，傳統 RAG 在推理方面顯得力不從心。像一些需要邏輯推導、多步分析的問題，它無法像人類一樣進行深入思考和推理，只能簡單地匹配和組合已有信息，導致回答質量不高。

• 缺乏策略調整能力：傳統 RAG 系統缺乏自適應能力，無論面對何種問題，都採用固定的處理方式，無法根據問題的類型、複雜程度等因素靈活調整策略，難以滿足多樣化的用戶需求。

2. Agentic RAG 的創新突破

Agentic RAG 旨在解決傳統 RAG 的上述問題，其核心思想是在 RAG 的各個階段引入智能化（Agentic）行爲，通過智能代理（LLM Agent）來優化整個流程。下面結合其具體步驟來深入瞭解：

• 查詢重寫優化（第 1 - 2 步）：當用戶查詢輸入後，智能代理首先對初始查詢進行重寫。這一過程不僅可以糾正拼寫錯誤，還能對模糊、歧義的表述進行澄清，將用戶的意圖轉化爲更精準的查詢語句，爲後續獲取更準確的信息奠定基礎。例如，用戶輸入 “蘋果的最新產品有哪些”，智能代理可能會將其重寫爲 “蘋果公司 2024 年發佈的最新產品有哪些”，明確了時間範圍和主體，提高查詢的準確性。

• 上下文信息智能判斷（第 3 - 8 步）：重寫後的查詢進入判斷環節，智能代理會評估是否需要更多上下文信息。若判斷不需要，重寫後的查詢會直接發送給 LLM。如果需要，代理會從多種外部來源（如數據庫向量、工具和 API、互聯網等）中尋找最佳的上下文信息，並傳遞給 LLM。比如，當用戶詢問 “如何製作低糖蛋糕” 時，代理會從專業的美食數據庫、烹飪工具 API 或互聯網上的美食論壇中獲取相關的低糖蛋糕製作配方、技巧等信息，補充豐富的上下文，幫助 LLM 生成更優質的回答。

• 響應生成與檢查（第 9 - 12 步）：LLM 根據接收到的查詢和上下文信息生成回答後，智能代理會對答案進行檢查，判斷其是否與問題相關。如果答案相關，就直接返回給用戶；若不相關，則返回第一步重新開始整個流程。這一循環會多次執行，直到得到合適的回答，或者系統判斷無法回答該查詢。通過不斷的反饋和優化，確保回答與用戶問題高度契合，提升回答的準確性和相關性。

3. Agentic RAG 的優勢與應用前景

相比傳統 RAG，Agentic RAG 通過引入智能代理，在處理複雜任務和多樣化需求時表現得更加健壯和靈活。它能夠根據問題動態調整策略，不斷優化回答，爲用戶提供更滿意的服務。

在實際應用中，無論是智能客服領域，幫助客服快速準確地回答用戶複雜問題；還是在智能寫作輔助場景，爲創作者提供豐富的素材和精準的建議；亦或是在教育領域，實現個性化的智能輔導，Agentic RAG 都有着巨大的潛力，有望成爲推動人工智能應用進一步發展的重要力量。

需要注意的是，文中展示的 Agentic RAG 架構只是衆多架構中的一種，在不同的使用場景下，開發者可以根據實際需求對其進行靈活調整和適配，以發揮出最大的效能。

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/89SDdhygxOG--zRITDW_CA