AI

一图看懂传统 RAG 与 Agentic RAG 实战差异：哪个更适合你？

Posted Cola🌀

转载：https://blog.csdn.net/2401_84204207/article/details/150614914

前言🔖

在大型语言模型（LLM）日益普及的今天，检索增强生成（Retrieval-Augmented Generation，RAG）已成为提升 LLM 知识准确性和时效性的关键技术。它通过将 LLM 与外部知识库相结合，有效解决了 LLM 知识滞后和“幻觉”等问题。

然而，RAG 技术本身也在不断演进。从最初的传统 RAG 结构，到如今备受关注的 Agentic RAG（智能体式 RAG），RAG 系统正变得越来越智能、灵活和强大。本文将深入对比这两种 RAG 范式，揭示 Agentic RAG 如何通过引入“智能体”的概念，将 RAG 系统推向一个全新的高度。

　　

传统 RAG🔖

🔹传统 RAG 结构：简洁与效率

让我们首先回顾一下传统的 RAG 结构。如图所示，传统 RAG 的核心在于其线性、高效的 “检索-生成”流程。

　　

🔹传统 RAG 的工作流程：

  • 知识库编码与索引（步骤 1 & 2）：
    • 额外文档（Additional documents）首先通过嵌入模型（Embedding model）进行编码（Encode），将其内容转化为高维向量。这些向量随后被索引（Index）并存储到向量数据库（Vector database）中。这个过程通常是离线完成的，为后续的检索做好准备。
  • 查询编码（步骤 3）：
    • 当用户输入一个查询（Query）时，这个查询也会通过相同的嵌入模型进行编码（Encode），生成其对应的查询向量。
  • 相似性搜索（步骤 4 & 5）：
    • 查询向量被用来在向量数据库中进行相似性搜索（Similarity search），以找到与查询语义最接近的相似文档（Similar documents）。
  • 提示构建与生成（步骤 6 & 7）：
    • 检索到的相似文档作为上下文（Context），与原始查询一起，被整合为一个提示（Prompt）。
    • 这个提示被发送给大型语言模型（LLM）。
    • LLM 基于提供的上下文和查询生成最终的响应（Response）。

　　

🔹传统 RAG 的特点：

  • 优点： 结构简单、流程清晰、易于实现，在处理直接、单跳的问答任务时效率高。
  • 局限性： 线性流程使其在处理复杂、模糊或需要多步推理的查询时显得力不从心。它缺乏自我评估和主动规划的能力，容易受到检索结果质量的直接影响，可能导致“幻觉”或不准确的回答。

　　

🔹传统RAG的缺点

RAG虽然是最简单的AI框架，但是没有人可以A领域调试后在B领域大范围推广应用，100多个参数没有多少人说的清楚怎怎么用。除此之外它还有很多缺点：

  • 1）检索一次，生成一次。
    • 这意味着如果检索到的上下文不够或不正确，LLM 就无法动态搜索更多信息。
  • 2）无法通过复杂的查询进行推理。
    • 如果查询需要多个检索步骤或 CoT（思路链），传统的 RAG 就不够了。
  • 3）适应性有限
    • 系统无法根据当前问题修改其策略。例如，是否进行向量搜索、网页搜索或调用 API。

　　

Agentic RAG 🔖

 智能体驱动的未来：循环、决策和工具使用的特性

相较于传统 RAG 的线性流程，Agentic RAG 引入了“智能体”（Agent）的概念，赋予 LLM 更高的自主性和决策能力。如图所示，Agentic RAG 的核心在于其循环、决策和工具使用的特性。

Agentic RAG 解决了这些问题。 核心思想是在RAG的每个阶段引入代理行为。 代理可以积极思考任务——规划、调整和迭代以找到最佳解决方案，而不仅仅是遵循一组指令，而 LLM 可以实现这一点。

  • 步骤1-2)用户输入查询，代理对其进行细化（纠正拼写、简化嵌入等）
  • 步骤3）另一个代理决定是否需要更多详细信息。
  • 步骤 4）如果不是，则将细化查询发送到 LLM。
  • 步骤5-8)如果是，代理选择相关来源（矢量数据库、工具/API、互联网），检索上下文，并将其发送给 LLM。
  • 步骤9）生成响应。
  • 步骤 10）最后一个代理检查答案是否相关。
  • 步骤 11）如果是，则返回响应。
  • 步骤 12）如果没有，则从步骤 1 重新开始。

此过程重复，直到系统提供可接受的答案或承认它无法响应。 这使得 RAG 更加动态和稳健。 然而，值得注意的是，构建 RAG 系统通常取决于设计偏好和选择。 用户可以动态调整，使用具体领域case。

　　

🔹Agentic RAG 的工作流程：

  • 智能体主导的查询处理（步骤 1-3）：
    • 查询重写与思考： 初始查询不再直接进入检索，而是首先由 LLM 智能体（LLM Agent）进行重写，将其转化为更精确的查询。随后，智能体进行自我评估，判断是否需要更多信息。这是智能体主动思考的体现。
  • 主动规划与工具选择（步骤 4-6）：
    • 如果智能体判断需要更多信息，它会进一步思考“哪一个源头能帮我？”，并主动选择并调用不同的工具（Tools & APIs）。这些工具不再局限于向量数据库，还可以包括互联网搜索、结构化数据库或其他自定义 API。这种工具使用能力是 Agentic RAG 的重要特征。
  • 检索与生成（步骤 7-9）：
    • 检索与上下文构建（步骤 7）： 系统会利用智能体选择的工具进行检索，并得到相关的检索到的上下文（Retrieved context）。这个上下文会与更新后的查询一起，为生成答案做准备。
    • 生成初步响应（步骤 8 & 9）： 系统将检索到的上下文和更新后的查询打包成一个提示（Prompt），发送给一个大型语言模型（LLM）。LLM 基于这个提示生成一个初步响应（Response）。
  • 循环迭代与自我评估（步骤 10-12）：
    • 自我评估： 拿到初步响应后，LLM 智能体不会直接返回答案，而是会进行自我评估：“这个答案相关吗？”。
    • 反馈循环： 如果智能体判断答案不相关，它可以循环回到初始查询或之前的步骤，重新规划、重新检索，直到找到满意的答案。这种反馈循环和自我修正能力是 Agentic RAG 解决复杂问题的关键。

　　

🔹Agentic RAG 的特点：

  • 优点：
    • 更强的推理能力： 能够处理多跳查询和复杂逻辑推理。
    • 更高的准确性： 通过自我评估和迭代，减少“幻觉”和不准确的回答。
    • 更强的适应性： 能够根据任务需求，灵活选择和使用不同的外部工具。
    • 更好的可解释性： 智能体的“思考”过程（如查询重写、工具选择）可以被记录和追踪。
  • 局限性：
    • 更高的复杂性： 引入了更多的决策和循环，系统设计和调试难度增加。
    • 潜在的延迟： 多次迭代和工具调用可能导致更高的响应延迟。

当然缺点也很明显，每个阶段都调用大模型（也许是很小的模型，但是得专门训练），耗时资源部署可能存在风险。的历史都是曲折前进的，先解决有无，在提高效率。

　　

🔹汇总分析

传统 RAG 和 Agentic RAG 之间的主要区别: