思维导图：人工智能与算法学习 - Agentic RAG

主题：Agentic RAG

子主题1：智能体RAG的基础知识

• 1.1 检索增强型生成（RAG）
  • 定义：一种构建LLM驱动应用的技术，利用外部知识源为LLM提供相关上下文，减少幻觉现象。
  • 流程：包括检索组件（嵌入模型和向量数据库）和生成组件（LLM）。
  • 作用：在推理时，用户查询用于在索引文档上运行相似性搜索，检索与查询最相似的文档，并为LLM提供额外的上下文。
• 1.2 典型的RAG应用局限性
  • 局限性1：只考虑一个外部知识源，无法满足需要多个知识源或外部工具的需求。
  • 局限性2：一次性解决方案，上下文只检索一次，缺乏对检索到的上下文质量的推理或验证。

子主题2：AI系统中的智能体

• 2.1 AI智能体定义
  • 描述：具有角色和任务的LLM，能访问内存和外部工具。
  • 核心组件：LLM（角色和任务）、内存（短期和长期）、规划（反思、自我批评、查询路由等）、工具（计算器、网络搜索等）。
• 2.2 ReAct框架
  • 描述：ReAct智能体能在保持状态的同时处理顺序多部分查询，结合路由、查询规划和工具使用。
  • 过程：思考（推理下一步行动）、行动（执行决策）、观察（反馈）。

子主题3：什么是Agentic RAG？

• 3.1 定义
  • 描述：基于AI智能体实现的RAG，将AI智能体纳入RAG流程中，以协调其组件并执行额外行动。
• 3.2 工作原理
  • 描述：智能体RAG最常用于检索组件中的智能体，使用具有访问不同检索工具的检索智能体。
• 3.3 架构
  • 3.3.1 单智能体RAG（路由器）
    • 描述：智能体RAG作为一个路由器，决定从哪个外部知识源检索额外的上下文。
  • 3.3.2 多智能体RAG系统
    • 描述：多个智能体协同工作，如主智能体协调多个专业检索智能体。

子主题4：Agentic RAG与普通RAG的比较

• 4.1 差异点
  • 工具使用：普通RAG不使用外部工具，而Agentic RAG使用外部工具。
  • 查询预处理：普通RAG不进行查询预处理，而Agentic RAG进行查询预处理。
  • 多步骤检索：普通RAG不支持多步骤检索，而Agentic RAG支持多步骤检索。
  • 验证检索到的信息：普通RAG不验证检索到的信息，而Agentic RAG验证检索到的信息。

子主题5：实施智能体RAG

• 5.1 实现方法
  • 方法1：具有函数调用的语言模型
  • 方法2：智能体框架
• 5.2 示例
  • 示例1：OpenAI的函数调用
  • 示例2：Cohere的连接器API
  • 示例3：Anthropic和Google的函数调用
  • 示例4：Ollama的工具支持