Agent 设计模式—Agentic RAG：从传统 RAG 到智能体检索增强

梳理 LLM 与 RAG 的最新进展（增强检索、语义缓存、多模态集成），解析 Agentic RAG 的定义、核心能力及其与传统 RAG 的差异，并详解路由、查询规划、工具使用、ReAct、动态规划与执行五类智能体的工作方式。

近期LLM和RAG的发展

在信息检索和自然语言处理领域，LLM和RAG的最新发展开启了一个高效和复杂的新时代。在LLM和RAG的最新进展中，四个关键领域取得了显著进展：

增强检索（Enhanced retrieval）：优化RAG系统中的信息检索对性能至关重要。最近的进展集中在重新排序算法和混合搜索方法上，以提高搜索精度。通过为每个文档使用多个向量，可以实现更细粒度的内容表示，从而增强相关性识别。
语义缓存（Semantic caching）：为了减少计算成本并确保响应一致性，语义缓存已成为一项关键策略。通过存储最近查询的答案及其语义上下文，可以高效处理类似请求，而无需重复调用LLM，从而实现更快的响应时间和一致的信息传递。
多模态集成（Multimodal integration）：这将LLM和RAG的能力扩展到文本之外，集成了图像和其他模态。这有助于访问更广泛的源材料，并实现文本和视觉数据之间的无缝交互，从而产生更全面和细致的响应。
Agentic RAG：基于agents的RAG实现，Agentic RAG利用智能agents来处理需要复杂规划、多步推理和外部工具使用的复杂问题。
Agentic RAG定义

引入 *Agent *来管理检索过程，使其更具动态性和适应性，这些 *Agent *可以：

Agentic RAG 的主要优势：

提高准确性：通过积极管理检索过程和优化查询，agentic RAG 最大限度地降低了信息不正确或不完整风险。
增强情境感知：代理可以利用不同的知识来源并整合信息来提供更细致、更符合情境的响应。
提高灵活性：调整工作流程和集成不同工具的能力使得 agentic RAG 适合复杂的现实世界任务。
减少幻觉：通过将 LLM 的回答建立在外部知识的基础上，代理 RAG 有助于降低 LLM 伪造信息的风险。
更好地处理复杂查询：将复杂的查询分解为更小的步骤并迭代解决方案的能力使得 agentic RAG 非常适合处理复杂的请求。
Agentic RAG与传统RAG的区别

特性	传统RAG	Agentic RAG
提示工程	严重依赖手动提示工程和优化技术。	可以根据上下文和目标动态调整提示，减少对手动提示工程的依赖。
静态性	上下文感知有限，检索决策静态。	考虑对话历史并根据上下文调整检索策略。
开销	未优化的检索和额外的文本生成可能导致不必要的成本。	可以优化检索并减少不必要的文本生成，从而降低成本并提高效率。
多步复杂性	需要额外的分类器和模型进行多步推理和工具使用。	处理多步推理和工具使用，无需单独的分类器和模型。
决策制定	静态规则控制检索和响应生成。	决定何时何地检索信息，评估检索数据的质量，并对响应进行生成后检查。
检索过程	仅依赖初始查询来检索相关文档。	在检索之前或期间执行环境中的操作以收集更多信息。
适应性	适应变化情况或新信息的能力有限。	可以根据反馈和实时观察调整其方法。