4篇带有“agentic”标签的文章

距离上次年终回顾已经过去了半年。随着年初 DeepSeek 引发的热潮逐渐退去，人工智能似乎进入了一个停滞期。这种模式在检索增强生成（RAG）领域也很明显：尽管关于 RAG 的学术论文仍然层出不穷，但近几个月来重大突破寥寥无几。同样，RAGFlow 最近的迭代也主要集中在增量改进上，而不是发布重大新功能。这究竟是未来飞跃的蓄力期，还是一个稳定、渐进增长时期的开始？因此，进行一次年中评估既及时又必要。

搜索技术仍然是计算机科学领域的主要挑战之一，能够实现高效搜索的商业产品屈指可数。在大型语言模型（LLM）兴起之前，强大的搜索功能并不被认为是必不可少的，因为它对用户体验没有直接贡献。然而，随着 LLM 的普及，要将 LLM 应用于企业场景，就必须拥有一个强大的内置检索系统。这也就是所谓的检索增强生成（RAG）——在将用户查询输入 LLM 进行最终答案生成之前，先在内部知识库中搜索与用户查询最相关的内容。

从 v0.8 版本开始，RAGFlow 正式进入 Agentic 时代，后端提供全面的基于图的任务编排框架，前端则提供无代码工作流编辑器。为什么选择 Agentic？这个功能与现有的工作流编排系统有何不同？

一个朴素 RAG 系统的工作流程可以概括如下：RAG 系统使用用户查询从指定的数据源中进行检索，对检索结果进行重新排序，附加提示词，然后将它们发送给大语言模型（LLM）以生成最终答案。

在用户意图明确的场景下，简单的 RAG 就足够了，因为答案包含在检索到的结果中，可以直接发送给 LLM。然而，在大多数情况下，用户意图模糊是常态，需要通过迭代查询来生成最终答案。例如，涉及总结多个文档的问题就需要多步推理。这些场景需要 Agentic RAG，即在问答过程中引入任务编排机制。

Agent 和 RAG 相辅相成。Agentic RAG，顾名思义，是基于 Agent 的 RAG。Agentic RAG 与简单 RAG 的主要区别在于，Agentic RAG 引入了动态的 Agent 编排机制，该机制会对检索结果进行评判，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。