RAG vs Agentic RAG 即使在2025年，Agentic RAG（智能增强检索生成）已证明RAG技术将成为常态 Glean AI、Perplexity、Harvey等公司已在工作流中采用复杂的多智能体RAG系统，这使其成为解决复杂企业工作流程的通用方案。 以下通过运作机制解析其核心价值： ?? RAG（检索增强生成） 1. 查询与向量化（检索阶段）：模型从数据源检索相关信息，向量数据库通过预训练的嵌入模型提取数据。 2. 提示词增强（增强阶段）：将检索结果与用户查询及系统提示词融合。 3. 大模型输出（生成阶段）：大型语言模型基于整合后的信息生成最终响应。 ?? AI智能体（Agent） 1. 查询处理：智能体接收并分析用户请求。 2. 记忆与规划：利用记忆框架（如ReACT、Reflexion）制定回答策略。 3. 工具调用：通过外部工具（如谷歌搜索、邮件系统）获取实时数据。 4. 输出生成：结合工具获取的信息与记忆库进行推理，优化回答。 ?? 如何协同运作？ - 智能体动态管理RAG的向量检索，根据查询需求选择数据源。 - 智能体在RAG增强提示词基础上，加入规划能力与实时工具数据，为LLM提供更精准的输入。 ?? 工作流示例： 1. 查询路由：用户请求由智能体协调处理。 2. 上下文保留：利用短期/长期记忆跟踪对话状态。 3. 任务规划：制定检索策略并选择工具（如向量搜索）。 4. 数据获取：从知识库抓取实时信息。 5. 提示词优化：融合检索数据、查询与系统提示，经推理生成LLM输入。 6. 响应生成：LLM输出最终结果。 这并非完整描述，但毫无疑问，Agentic RAG正在重塑科技行业。 @人工智能与算法学习