Agentic RAG 与图任务编排

文章预览

一个朴素的 RAG 系统流程是这样的： 先由用户提出问题，然后系统基于用户提问进行召回，对召回结果进行重排序，最后拼接提示词后送给 LLM 生成答案。 一部分简单场景下，朴素的 RAG 已经可以满足用户意图明确的场景的要求，因为答案已经包含在检索出来的结果中，只要交给 LLM 即可。然而在更多的情况下用户意图并不明确，无法直接通过检索找到答案，例如一些针对多文档的总结类提问需要进行多步推理 (Reasoning) 等等。这类场景就需要引入 Agentic RAG ，也就是在问答的过程中引入任务编排机制。 Agentic RAG，顾名思义，是基于 Agent 的 RAG。 Agent 与 RAG 关系紧密，两者互为基石。 Agentic RAG 和简单 RAG 的最大区别在于 Agentic RAG 引入了 Agent 的动态编排机制，因此可以根据用户提问的不同意图，引入反馈和查询改写机制，并进行“多跳”式的知识推理 ………………………………