#AI创造营# 为什么作为一名 AI 工程师，你需要了解 Agentic RAG？

简单的朴素 RAG 系统很少用于现实世界的应用程序。为了提供正确的行动来解决用户意图，我们总是会在 RAG 系统中添加一些代理性——通常只是一点点。

重要的是不要迷失在流行语和术语中，并理解没有单一的蓝图可以将这种代理性添加到你的 RAG 系统中，你应该适应你的用例。我的建议是思考系统和工程流程。

让我们来探索一下 Agentic RAG 中的一些活动部件：

分析用户查询：我们将原始用户查询传递给基于 LLM 的代理进行分析。在这里：

➡️ 原始查询可以被重写，有时可以多次重写，以创建单个或多个查询以传递到管道中。
➡️ 代理决定是否需要额外的数据源来回答查询。

如果需要额外的数据，则会触发检索步骤。在 Agentic RAG 的情况下，我们可以有一个或多个代理负责确定应该利用哪些数据源，例如：

➡️ 实时用户数据。这是一个非常酷的概念，因为我们可能有一些实时信息，例如用户的当前位置。
➡️ 用户可能感兴趣的内部文档。
➡️ 网络上可用的数据。
➡️ …

如果不需要额外的数据，我们会尝试直接通过 LLM 撰写答案（或多个答案或一组行动）。

对答案进行分析、总结和评估其正确性和相关性：

➡️ 如果代理认为答案足够好，则将其返回给用户。
➡️ 如果代理认为答案需要改进，我们会尝试重写用户查询并重复生成循环。

✅ 还记得我上一篇时事通讯文章中的反思模式吗？这就是。👆

Agentic RAG 的真正力量在于它能够在生成前后执行额外的路由，处理多个不同的数据源以进行检索（如果需要），并在生成正确答案的同时从故障中恢复。

原文：http://t.cn/A6BwTcea http://t.cn/A6BwTftP