标记为“Agentic”的 3 篇文章

搜索技术仍然是计算机科学中的主要挑战之一，很少有商业产品能够有效地进行搜索。在大型语言模型（LLMs）兴起之前，强大的搜索能力并不被认为是必需的，因为它不直接贡献用户体验。然而，随着LLMs开始普及，将LLMs应用于企业环境中需要一个强大的内置检索系统。这也被称为检索增强生成（RAG）——在将内容输入LLM生成最终答案之前，搜索内部知识库以查找与用户查询最相关的内容。

截至 v0.8 版本，RAGFlow 正式进入 Agentic 时代，在后端提供了基于图的全面任务编排框架，并在前端提供了无代码工作流编辑器。为什么是 Agentic？这个功能与现有工作流编排系统有何不同？

一个朴素 RAG 系统的工作流程可概括如下：RAG 系统使用用户查询从指定数据源进行检索，对检索结果进行重新排序，附加提示，然后将其发送给 LLM 以生成最终答案。

在用户意图明确的场景中，朴素 RAG 足以满足需求，因为答案包含在检索结果中，可以直接发送给 LLM。然而，在大多数情况下，模糊的用户意图是常态，需要迭代查询才能生成最终答案。例如，涉及总结多个文档的问题需要多步推理。这些场景需要 Agentic RAG，它在问答过程中涉及任务编排机制。

Agent 和 RAG 相互补充。Agentic RAG，顾名思义，是一个基于 agent 的 RAG。Agentic RAG 与朴素 RAG 的主要区别在于，Agentic RAG 引入了一种动态的 agent 编排机制，该机制评估检索结果，根据每个用户查询的意图重写查询，并采用“多跳”推理来处理复杂的问答任务。